Finding optimal correction of errors in generic stabilizer codes is a computationally hard problem, even for simple noise models. While this task can be simplified for codes with some structure, such as topological stabilizer codes, developing good and efficient decoders still remains a challenge. In our work, we systematically study a very versatile class of decoders based on feedforward neural networks. To demonstrate adaptability, we apply neural decoders to the triangular color and toric codes under various noise models with realistic features, such as spatially-correlated errors. We report that neural decoders provide significant improvement over leading efficient decoders in terms of the error-correction threshold. Using neural networks simplifies the process of designing well-performing decoders, and does not require prior knowledge of the underlying noise model.
Decoding quantum error correction with Ising model hardware
容错量子计算机将需要高效的协处理器来实时解码它们所采用的量子纠错协议。在这项工作中，我们研究使用专门的伊辛模型硬件来执行此解码任务的可能性。伊辛模型硬件的实例包括量子退火器，例如由D-Wave Systems Inc.以及诸如由Hitatchi和Fujitsu生产的那些的经典器件和被称为相干伊辛机的光学器件。我们使用的相干奇偶校验（CPC）的框架，推导出一个伊辛模型映射的量子纠错解码问题的不相关的量子错误模型。我们的伊辛模型映射的一个具体优点是，它是兼容的最大熵推理技术，可以优于极大似然解码在某些情况下。我们使用我们的框架内的数值计算来证明，最大熵解码不仅可以导致改进的错误抑制，但也可以移动简单的代码的阈值。作为一个高价值的问题，一个小的优势可以导致重大的收益，我们认为，解码量子码是量子退火器的理想用例。此外，量子纠错码的结构允许专用集成电路（ASIC）退火硬件降低嵌入成本，这是量子退火中的主要瓶颈。最后，我们还提出了一种方法，其中量子退火器可以最佳地用作混合量子经典解码方案的一部分。
Advantage of Quantum Neural Networks as Quantum Information Decoders
Massachusetts Institute of Technology（麻省理工学院）；IBM Quantum（IBM量子）；MIT-IBM Watson AI lab（MIT-IBM沃森人工智能实验室）；Institute for Advanced Study（普林斯顿高等研究院）；IBM Research（IBM研究院）；Google Quantum AI（谷歌量子人工智能）
Post-Quantum Cryptography from Quantum Stabilizer Decoding
Massachusetts Institute of Technology（麻省理工学院）；Boston University（波士顿大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；California Institute of Technology（加州理工学院）
