通过强化学习设计适配译码器的量子纠错码
Designing Quantum Error Correcting Codes to fit decoders via Reinforcement Learning
AI总结：
该研究提出强化学习方法协同设计量子纠错码稳定器集合与译码器，固定译码器架构后用近端策略优化训练智能体，在去极化信道噪声下最大化译码器性能，可生成适配译码器的双变量自行车码。
AI中文摘要：
我们提出一种强化学习（RL）方法，用于量子纠错码（QECCs）的稳定器集合与译码器的协同设计。我们展示了如何基于译码器的选择生成双变量自行车（BB）码的生成模型。具体而言，我们固定译码器架构，使用近端策略优化（PPO）在BB码上训练智能体，以在去极化信道噪声模型下最大化译码器性能。
英文摘要：
We present a reinforcement learning (RL) approach to the co-design of stabilizer sets of Quantum Error Correcting Codes (QECCs) and decoders. We show how to produce a generative model that produces Bivariate Bicycle (BB) codes based on the choice of decoder. Specifically, we fix a decoder architecture and use Proximal Policy Optimisation (PPO) to train an agent over BB codes to maximise decoder performance under a depolarising channel noise model.
