机构名称：
¥ 1.0
摘要 由于具有良好的解码性能和对任何噪声模型的适应性，使用基于神经网络的解码器解码量子纠错码的现象日益增多。然而，由于误差综合征空间呈指数级增长，因此主要挑战在于可扩展到更大的代码距离。请注意，在现实噪声假设下成功解码表面代码将使用当前基于神经网络的解码器将代码大小限制在 100 个量子比特以下。可以通过类似于重正化群 (RG) 解码器的分布式解码方式来解决此类问题。在本文中，我们介绍了一种结合 RG 解码和基于神经网络的解码器概念的解码算法。我们测试了旋转表面代码在去极化噪声下的解码性能，并使用无噪声误差综合征测量，并与 blossom 算法和基于神经网络的解码器进行了比较。我们表明，所有测试解码器之间都可以实现类似的解码性能水平，同时为基于神经网络的解码器的可扩展性问题提供了解决方案。
使用分布式神经网络解码表面代码——...
主要关键词
相关文件推荐
