发表机构
University of California, Los Angeles（加州大学洛杉矶分校）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出基于强化学习和重要性采样的方法，用于高效搜索低逻辑错误率的量子错误综合征提取方案，在多个规模上显著优于现有工具。
AI 中文摘要
量子纠错的一个关键子任务是提取综合征，如果该综合征非平凡，则表明存在错误。提取综合征的可能方式数量随综合征大小呈指数增长，而这些实现在容错性方面差异很大，以逻辑错误率衡量。这产生了一个自然的搜索问题：找到一种具有低逻辑错误率的实现。先前的工作解决了这个问题，但牺牲了解决方案质量或可扩展性。在本文中，我们使用强化学习和重要性采样，在所有规模上均优于先前的工作。与最先进的自动调度工具AlphaSyndrome和PropHunt相比，我们的工具平均将逻辑错误率分别降低了25.9%和71.7%，最终对于距离为15的表面码，逻辑错误率降低了97.8%。
英文摘要
A key subtask of quantum error correction is to extract a syndrome that, if nontrivial, signals an error. The number of possible ways to extract a syndrome grows exponentially with the syndrome size, and these implementations vary greatly in fault tolerance, as measured by their logical error rates. This creates a natural search problem: find an implementation with a low logical error rate. Previous work solves this problem but sacrifices either solution quality or scalability. In this paper, we use reinforcement learning and importance sampling to outperform previous work at all scales. Compared with the state of the art automatic scheduling tools AlphaSyndrome and PropHunt, our tool reduces the logical error rate by 25.9\% and 71.7\% on average, respectively, culminating with a reduction of 97.8\% for a surface code with distance 15.
