⚛️ quantum physics

Scalable Neural Decoders for Practical Fault-Tolerant Quantum Computation

यह शोध पत्र क्वांटम लो-डेंसिटी पैरिटी-चेक कोड्स के लिए एक स्केलेबल कन्वोल्यूशनल न्यूरल नेटवर्क डिकोडर प्रस्तुत करता है जो ज्यामितीय संरचना का लाभ उठाकर मौजूदा विधियों की तुलना में काफी कम लॉजिकल एरर रेट और उच्च थ्रूपुट प्राप्त करता है, जो यह सुझाव देता है कि व्यावहारिक फॉल्ट-टॉलोरेंट क्वांटम कंप्यूटेशन के लिए स्पेस-टाइम लागत पहले की अपेक्षा से काफी कम हो सकती है।

मूल लेखक: Andi Gu, J. Pablo Bonilla Ataides, Mikhail D. Lukin, Susanne F. Yelin

प्रकाशित 2026-04-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Andi Gu, J. Pablo Bonilla Ataides, Mikhail D. Lukin, Susanne F. Yelin

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुमूल्य, नाजुक संदेश को एक तूफानी समुद्र के पार भेजने की कोशिश कर रहे हैं। संदेश कागज के एक टुकड़े (एक क्वांटम बिट, या क्यूबिट) पर लिखा गया है (एक क्वांटम बिट, या क्यूबिट), और लहरें (शोर और त्रुटियां) लगातार उसे फाड़ने या उसके शब्दों को बिगाड़ने की कोशिश कर रही हैं।

संदेश को बचाने के लिए, आप इसे केवल एक बार नहीं भेजते। आप इसे एक विशाल, जटिल पहेली (एक क्वांटम एरर करेक्शन कोड) के रूप में भेजते हैं। यदि कुछ हिस्से गीले हो जाते हैं या फट जाते हैं, तो आप शेष हिस्सों को देखकर यह पता लगा सकते हैं कि मूल संदेश वास्तव में क्या होना चाहिए था।

हालाँकि, एक पेच है: तूफान बहुत तेज़ी से आगे बढ़ रहा है। जब तक आप पहेली को देखने और उसे ठीक करने का तरीका खोजने में व्यस्त रहते हैं, तब तक तूफान संदेश के अगले हिस्से को नष्ट कर चुका होगा। आपको एक डिकोडर की आवश्यकता है—एक सुपर-फास्ट, सुपर-स्मार्ट जासूस—जो नुकसान को देखे और कहे, "आह, हिस्सा नंबर 4 गायब है, और हिस्सा नंबर 7 उल्टा है। चलिए इसे अभी ठीक करते हैं।"

लंबे समय तक, हमारे पास जो जासूस थे वे या तो:

बहुत धीमे थे: वे बेहद बुद्धिमान थे लेकिन उन्हें उस पहेली को सुलझाने में घंटों लग जाते थे जिसे मिलीसेकंड में सुलझाना आवश्यक था।
बहुत मूर्ख थे: वे तेज़ तो थे लेकिन बार-बार एक ही तरह की गलतियाँ करते थे, जटिल पैटर्न में फंस जाते थे (जैसे कोई कुत्ता अपनी ही पूंछ के पीछे भाग रहा हो)।

यह शोध पत्र एक नए प्रकार के जासूस को पेश करता है: कैस्केड (Cascade)। यह एक न्यूरल नेटवर्क (AI का एक प्रकार) है जो एक अत्यधिक प्रशिक्षित, पैटर्न-पहचानने वाले विशेषज्ञ की तरह कार्य करता है।

यहाँ उनका सरल विवरण दिया गया है कि उन्होंने क्या किया और यह क्यों महत्वपूर्ण है:

1. "वॉटरफॉल" (झरना) की खोज

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक कार कितनी बार खराब होती है।

पुरानी सोच: हमने माना था कि यदि आप कार के पुर्जों को थोड़ा बेहतर बनाते हैं, तो खराबी की दर धीरे-धीरे और निरंतर कम होती है, जैसे एक हल्की ढलान से नीचे उतरना।
नई खोज (द वॉटरफॉल): लेखकों ने पाया कि उनके नए AI डिकोडर के साथ, खराबी की दर केवल नीचे नहीं जाती; यह एक खाई (Cliff) से नीचे गिरती है।

एक बार जब भौतिक त्रुटियां थोड़ी भी कम हो जाती हैं, तो लॉजिकल एरर (वास्तविक संदेश में होने वाली गलतियाँ) नाटकीय रूप से गिर जाती हैं—पिछले तरीकों की तुलना में 17 गुना बेहतर, और पुराने एल्गोरिदम की तुलना में 4,000 गुना बेहतर। यह एक ऐसी कार की तरह है जो सप्ताह में एक बार खराब होती है से बदलकर एक ऐसी कार बन जाती है जो साल में एक बार खराब होती है, बस एक स्मार्ट मैकेनिक का उपयोग करने से।

2. AI जासूस कैसे काम करता है (आंखें)

पिछले जासूस कठोर, पूर्व-लिखित नियमों (जैसे एक चेकलिस्ट) का उपयोग करते थे। यदि नुकसान पैटर्न A जैसा दिखता, तो वे एक्शन B करते थे। लेकिन क्वांटम त्रुटियां पेचीदा होती हैं; कभी-कभी नुकसान पैटर्न A जैसा दिखता है लेकिन वास्तव में वह पैटर्न C होता है।

कैस्केड (Cascade) डिकोडर अलग है। यह एक ऐसे जासूस की तरह है जिसने लाखों तूफानों को देखा है। चेकलिस्ट का पालन करने के बजाय, यह पहेली की ज्यामिति (Geometry) को सीखता है।

स्थानीय दृष्टि (Local Vision): यह पहले नुकसान के छोटे समूहों को देखता है।
अनुवाद (Translation): यह जानता है कि पहेली के बाईं ओर एक टूटा हुआ हिस्सा होने का वही अर्थ है जो दाईं ओर टूटे हुए हिस्से का है (समरूपता/Symmetry)।
दिशा (Direction): यह जानता है कि अभी हो रहा फटना, कल हुए फटने से अलग है।

क्योंकि यह समस्या के "आकार" को समझता है, इसलिए यह उन पेचीदा त्रुटियों को पहचान सकता है जो पुराने, कठोर जासूसों को भ्रमित कर देती हैं।

3. गति: समय के विरुद्ध दौड़

क्वांटम कंप्यूटरों के साथ सबसे बड़ी समस्या यह है कि उन्हें मानवीय पलक झपकने से भी तेज़ सुधार करने की आवश्यकता होती है।

पुराने डिकोडर: एक सिंगल-लेन सड़क पर चलने वाले सुपरकंप्यूटर की तरह थे। वे सटीक तो थे लेकिन वास्तविक समय में उपयोग के लिए बहुत धीमे थे।
कैस्केड (Cascade): यह एक फॉर्मेशन में उड़ने वाले ड्रोन्स के बेड़े की तरह है। क्योंकि AI को "कन्वोल्यूशन" (गणित का एक प्रकार जो कंप्यूटर चिप्स के लिए समानांतर में करना बहुत आसान है) का उपयोग करके बनाया गया है, यह एक साथ हजारों पहेलियों को प्रोसेस कर सकता है।

लेखकों ने दिखाया है कि यह AI मानक ग्राफिक्स कार्ड (GPUs) पर चल सकता है और पिछले सर्वोत्तम तरीकों की तुलना में 3,000 से 100,000 गुना तेज़ हो सकता है, जबकि यह अधिक सटीक भी है। इसका मतलब है कि यह हमारे आज के सबसे तेज़ क्वांटम हार्डवेयर के साथ तालमेल बिठा सकता है।

4. यह सब कुछ कैसे बदल देता है

वर्षों से, वैज्ञानिकों को लगा था कि हमें उपयोगी काम करने के लिए (जैसे कोड तोड़ने या नई दवाओं का अनुकरण करने के लिए) विशाल क्वांटम कंप्यूटर (लाखों क्यूबिट्स के साथ) की आवश्यकता होगी। उन्हें लगा कि डेटा की सुरक्षा के लिए हमें बहुत बड़े "पहेलियों" की आवश्यकता होगी।

यह शोध पत्र सुझाव देता है कि हमें शायद उतने टुकड़ों की आवश्यकता नहीं है जितना हमने सोचा था।

"वॉटरफॉल" प्रभाव: क्योंकि त्रुटि दर इतनी तीव्रता से गिरती है, हम समान स्तर की सुरक्षा प्राप्त करने के लिए छोटे पहेली (कम क्यूबिट्स) का उपयोग कर सकते हैं।
विश्वास: AI केवल अनुमान नहीं लगाता; यह आपको बताता है कि वह कितना आश्वस्त है। यदि वह आश्वस्त नहीं है, तो आप इसे फिर से प्रयास करने के लिए कह सकते हैं। यह समय और संसाधनों की बचत करता है।

निचोड़ (The Bottom Line)

यह शोध पत्र एक ऐसी कार के लिए अत्यधिक कुशल इंजन खोजने जैसा है जो पहले ट्रैफिक में फंसी हुई थी।

पहले: हमारे पास एक ऐसी कार थी जो तेज़ तो जा सकती थी लेकिन अक्सर खराब हो जाती थी, या एक ऐसी कार जो विश्वसनीय थी लेकिन 5 मील प्रति घंटे की गति से रेंगती थी।
अब: हमारे पास एक ऐसी कार है जो अविश्वसनीय रूप से विश्वसनीय और अविश्वसनीय रूप से तेज़ दोनों है।

यह हमें उस दिन के और करीब लाता है जब हम वास्तविक दुनिया की समस्याओं को हल करने के लिए व्यावहारिक, फॉल्ट-टॉलरेंट क्वांटम कंप्यूटर बना सकेंगे, बिना किसी शहर के आकार की मशीन बनाए। "वॉटरफॉल" वास्तविक है, और AI डिकोडर इस पर सवारी करने की कुंजी है।

यहाँ शोध पत्र "Scalable Neural Decoders for Practical Fault-Tolerant Quantum Computation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम एरर करेक्शन (QEC) स्केलेबल क्वांटम कंप्यूटिंग के लिए आवश्यक है, जिसके लिए वास्तविक समय (real-time) में त्रुटियों (errors) की पहचान करने और सिंड्रोम मापन की व्याख्या करने के लिए क्लासिकल डिकोडर्स की आवश्यकता होती है। जबकि क्वांटम लो-डेंसिटी पैरिटी-चेक (qLDPC) कोड्स (जैसे कि Bivariate Bicycle कोड्स) उच्च एनकोडिंग दर और बड़े डिस्टेंस (distance) प्रदान करते हैं, वे एक महत्वपूर्ण बाधा का सामना करते हैं: एक ऐसे डिकोडर का अभाव जो तेज़ भी हो और सटीक भी।

वर्तमान सीमाएँ:
- बलीफ प्रोपेगेशन (Belief Propagation - BP): यह तेज़ है लेकिन डिजेनरेट क्वांटम एरर पैटर्न पर "ट्रैपिंग सेट्स" (trapping sets) से ग्रस्त होता है, जिससे अभिसरण विफलता (convergence failures) होती है और लॉजिकल एरर रेट सैद्धांतिक सीमाओं से कई गुना अधिक हो जाता है।
- इष्टतम डिकोडर्स (जैसे Tesseract, OSD): ये अत्यधिक सटीक हैं लेकिन वास्तविक समय के उपयोग के लिए गणनात्मक रूप से बहुत भारी हैं (सेकंडों का विलंब/latency)।
- "वॉटरफॉल" गैप (The "Waterfall" Gap): मौजूदा डिकोडर्स त्रुटि दमन (error suppression) के एक विशिष्ट शासन (regime) का लाभ उठाने में विफल रहते हैं जहाँ उच्च-भार वाले एरर पैटर्न (यद्यपि व्यक्तिगत रूप से दुर्लभ हैं) अपनी विशाल संख्या के कारण विफलता दर पर हावी होते हैं। इसके परिणामस्वरूप लॉजिकल एरर रेट में एक "वॉटरफॉल" गिरावट आती है जिसे वर्तमान एल्गोरिदम पकड़ नहीं पाते हैं।
लक्ष्य: एक ऐसा डिकोडर विकसित करना जो उच्च सटीकता के साथ QEC कोड की ज्यामितीय संरचना (geometric structure) का लाभ उठा सके, ताकि इसकी लेटेंसी (latency) प्रमुख हार्डवेयर प्लेटफॉर्म्स (ट्रैप्ड आयन, न्यूट्रल एटम और संभावित रूप से सुपरकंडक्टिंग क्वबिट्स) के अनुकूल हो।

2. कार्यप्रणाली: "कैस्केड" (Cascade) डिकोडर

लेखक Cascade को पेश करते हैं, जो एक स्ट्रक्चर-अवेयर कनवल्शनल न्यूरल नेटवर्क (CNN) डिकोडर है। मानक ग्राफ न्यूरल नेटवर्क (GNNs) के विपरीत, जो पड़ोसियों को सममित (symmetrically) रूप से देखते हैं, Cascade स्टेबलाइजर कोड्स में निहित तीन विशिष्ट ज्यामितीय इंडक्टिव बायस (inductive biases) का लाभ उठाता है:

स्थानीयता (Locality): त्रुटियाँ स्थानिक रूप से स्थानीयकृत (spatially localized) सिंड्रोम पैटर्न उत्पन्न करती हैं। डिकोडर इन्हें प्रगतिशील रूप से हल करने के लिए स्थानीय प्रसंस्करण (local processing) की परतों का उपयोग करता है।
ट्रांसलेशन इक्विवेरिएंट (Translation Equivariance): स्टेबलाइजर्स की स्थानीय संरचना कोड में समान होती है (ट्रांसलेशन तक)। Cascade वेट शेयरिंग (weight sharing/convolutions) का उपयोग करता है ताकि हर साइट पर समान सीखे गए नियम लागू हों।
एनिसोट्रॉपी (Anisotropy): विभिन्न दिशाओं से आने वाली जानकारी अलग अर्थ रखती है (जैसे, $X$ बनाम $Z$ स्टेबलाइजर्स, या टेम्पोरल बनाम स्पेशियल एरर्स)। Cascade इन इनपुट्स के बीच अंतर करने के लिए दिशा-निर्भर भार (direction-dependent weights) का उपयोग करता है।

आर्किटेक्चर विवरण:

इनपुट: स्पेसटाइम सिंड्रोम ( $H$ -आयामी वेक्टर्स में एम्बेडेड बाइनरी डिटेक्शन इवेंट्स)।
बैकबोन: $L$ $L$ कनवल्शनल लेयर्स (सरफेस कोड्स के लिए 3D; BB कोड्स के लिए सामान्यीकृत टोरोइडल कनवल्शन)।
- इसमें एक बॉटलनेक रेसिडुअल डिज़ाइन ( $H \to H/4 \to H$ प्रोजेक्शन) का उपयोग किया गया है, जो एक्सप्रेसिविटी बनाए रखते हुए कम्प्यूटेशनल लागत को $\sim 16\times$ कम करता है।
- लेयर्स पड़ोसी स्टेबलाइजर्स के बीच सीखे गए, दिशा-निर्भर मैसेज पासिंग को निष्पादित करती हैं।
आउटपुट: $L \sim d$ लेयर्स (जहाँ $d$ कोड डिस्टेंस है) के बाद, नेटवर्क ग्लोबल टोपोलॉजिकल जानकारी को एकीकृत करता है। रिप्रेजेंटेशन्स को डेटा क्वबिट्स पर बिखेरा जाता है, लॉजिकल ऑपरेटर सपोर्ट्स पर पूल किया जाता है, और लॉजिकल एरर प्रोबेबिलिटी आउटपुट करने के लिए प्रेडिक्शन हेड को पास किया जाता है।
ट्रेनिंग: इसे एक एकल उच्च फिजिकल एरर रेट पर बाइनरी क्रॉस-एन्ट्रॉपी लॉस के साथ एंड-टू-एंड प्रशिक्षित किया गया है। उल्लेखनीय रूप से, मॉडल बिना री-ट्रेनिंग के सात क्रमों (seven orders of magnitude) तक फैले एरर रेट्स पर सामान्यीकरण (generalize) करता है।

3. मुख्य योगदान

A. क्वांटम कोड्स में "वॉटरफॉल" शासन की खोज

यह शोध पत्र प्रदर्शित करता है कि क्वांटम LDPC कोड्स में एक दो-शासन (two-regime) त्रुटि दमन संरचना होती है, जो शास्त्रीय LDPC कोड्स में तो जानी-पहचानी जाती है, लेकिन डिकोडर की अशुद्धि के कारण क्वांटम परिवेश में अनदेख देखी थी:

वॉटरफॉल शासन (मध्यम शोर/Moderate Noise): लॉजिकल एरर रेट तेजी से गिरता है ( $P_L \sim p^{11}$ Gross कोड्स के लिए) क्योंकि डिकोडर उच्च-भार वाले विफलता मोड (high-weight failure modes) की विशाल संख्या को सही ढंग से संभाल लेता है।
डिस्टेंस-लिमिटेड फ्लोर (कम शोर/Low Noise): बहुत कम शोर पर, दर मानक डिस्टेंस स्केलिंग ( $P_L \sim p^{\lfloor(d+1)/2\rfloor}$ ) में बदल जाती है, जो दुर्लभ न्यूनतम-भार वाली त्रुटियों द्वारा संचालित होती है।

महत्व: मौजूदा डिकोडर्स (जैसे BP+OSD) कम-भार वाली त्रुटियों पर विफल हो जाते हैं, जिससे वॉटरफॉल छिप जाता है। Cascade इस वॉटरफॉल को प्रकट करता है और दिखाता है कि केवल "डिस्टेंस" प्रदर्शन का पूर्ण भविष्यवक्ता नहीं है; विफलता मोड का वेट डिस्ट्रीब्यूशन (weight distribution of failure modes) अत्यंत महत्वपूर्ण है।

B. प्रदर्शन श्रेष्ठता

सटीकता (Accuracy): $p=0.1\%$ पर $[[144, 12, 12]]$ Gross कोड पर, Cascade, Relay की तुलना में $\sim 17\times$ कम और BP+OSD की तुलना में $\sim 4000\times$ कम लॉजिकल एरर रेट प्राप्त करता है।
थ्रूपुट (Throughput): यह मौजूदा CPU-आधारित डिकोडर्स की तुलना में 3,000–100,000 $\times$ अधिक थ्रूपुट प्रदान करता है।
सामान्यीकरण (Generalization): एक शोर स्तर पर प्रशिक्षित मॉडल बिना किसी एरर फ्लोर के, एक विस्तृत रेंज में पूरी तरह से सामान्यीकरण करता है।

C. कॉन्फिडेंस कैलिब्रेशन और पोस्ट-सिलेक्शन

Cascade वेल-कैलिब्रेटेड कॉन्फिडेंस एस्टीमेट्स उत्पन्न करता है। कम-कॉन्फिडेंस भविष्यवाणियों को त्यागकर (पोस्ट-सिलेक्शन के माध्यम से), सिस्टम "रिपीट-अनटिल-सक्सेस" प्रोटोकॉल (जैसे मैजिक स्टेट डिस्टिलेशन) के समय ओवरहेड को काफी कम कर सकता है।

$p=0.55\%$ पर, Cascade $95\%$ स्वीकृति दर बनाए रखते हुए क्लस्टर-आधारित पोस्ट-सिलेक्शन विधियों की तुलना में रिट्राइज़ (retries) में $20\times$ की कमी लाता है।

D. हार्डवेयर व्यवहार्यता

लेटेंसी (Latency): NVIDIA H200 GPU पर, एम्ोर्टाइज्ड लेटेंसी ट्रैप्ड-आयन और न्यूट्रल-एटम प्लेटफॉर्म्स के बजट ( $\sim 1$ ms) के भीतर है।
ASIC/FPGA क्षमता: इसका लोकल, फीड-फॉरवर्ड आर्किटेक्चर हार्डवेयर एक्सेलेरेशन के लिए आदर्श है। रूफलाइन अनुमान बताते हैं कि डेप्थवाइज कनवल्शन और FP8/INT4 क्वांटाइजेशन के साथ, डिकोडर सुपरकंडक्टिंग क्वबिट्स के लिए आवश्यक $\sim 1 \mu$ s के बजट के करीब पहुँच सकता है।

4. मुख्य परिणाम

मेट्रिक	Cascade (न्यूरल)	BP+OSD / Relay	Tesseract (इष्टतम)
लॉजिकल एरर रेट ( $p=0.1\%$ , $[[144,12,12]]$ )	$\sim 10^{-10}$	$\sim 10^{-8}$	$\sim 10^{-10}$
लेटेंसी	$\sim 40 \mu$ s (सिंगल-शॉट) / बैचिंग के साथ कम	$\sim 100$ s (CPU)	$\sim 1$ s (CPU)
थ्रूपुट	CPU से $10^5 \times$ अधिक	बेसलाइन	बेसलाइन
एरर फ्लोर	कोई नहीं (डाउन टू $10^{-11}$ )	मौजूद है	कोई नहीं
कैलिब्रेशन	उत्कृष्ट (पोस्ट-सिलेक्शन सक्षम बनाता है)	खराब	N/A

रिसोर्स एस्टीमेशन प्रभाव: वॉटरफॉल प्रभाव के कारण, एक लक्षित लॉजिकल एरर रेट (जैसे $10^{-9}$ ) तक पहुँचने के लिए आवश्यक कोड डिस्टेंस, मानक डिस्टेंस-आधारित सूत्रों द्वारा अनुमानित दूरी से काफी कम है। सरफेस कोड्स के लिए, Cascade MWPM-आधारित अनुमानों की तुलना में आवश्यक फिजिकल क्वबिट काउंट को $\sim 40\%$ कम कर देता है।

5. महत्व और भविष्य की राह

संसाधन अनुमान को पुनर्परिभाषित करना: यह शोध पत्र तर्क देता है कि फॉल्ट-टोलरेंट क्वांटम कंप्यूटिंग के लिए संसाधन अनुमान को केवल सरल कोड डिस्टेंस ( $d$ ) और थ्रेशोल्ड ( $p_{th}$ ) से आगे बढ़ना चाहिए। उच्च-भार वाली त्रुटियों को हल करने की डिकोडर की क्षमता और कम-भार वाली अनकरेक्टेबल त्रुटियों की विरलता (sparsity) महत्वपूर्ण कारक हैं, जो भौतिक क्वबिट ओवरहेड को नाटकीय रूप से कम कर सकते हैं।
को-डिज़ाइन प्रतिमान (Co-Design Paradigm): डिकोडर्स को एक अलग सबसिस्टम के बजाय फॉल्ट-टोलरेंट आर्किटेक्चर के अभिन्न अंग के रूप में सह-डिज़ाइन (co-design) किया जाना चाहिए। डिकोडर की "क्षमता" (मॉडल का आकार) ही यह निर्धारित करती है कि कोड की सैद्धांतिक क्षमता को वास्तव में कैसे प्राप्त किया जाए।
व्यावहारिकता: परिणाम बताते हैं कि यदि एक स्केलेबल, स्ट्रक्चर-अवेयर न्यूरल डिकोडर का उपयोग किया जाए, तो वर्तमान फिजिकल एरर रेट्स ( $\sim 0.1\%$ ) पर बड़े पैमाने के फॉल्ट-टोलरेंट एल्गोरिदम (जैसे शोर का एल्गोरिदम) मध्यम आकार के कोड्स के साथ भी संभव हैं।
सामान्यता (Generality): ज्यामितीय इंडक्टिव बायस (स्थानीयता, इक्विवेरिएंट, एनिसोट्रॉपी) Cascade को एक सामान्य ढांचा बनाते हैं जो केवल परीक्षण किए गए विशिष्ट कोड्स ही नहीं, बल्कि विभिन्न qLDPC परिवारों (जैसे लिफ्टेड-प्रोडक्ट कोड्स, कलर कोड्स) पर भी लागू होता है।

संक्षेप में, Cascade डिकोडर के सैद्धांतिक क्षमता और व्यावहारिक कार्यान्वयन के बीच के अंतर को पाटता है, यह प्रदर्शित करता है कि न्यूरल डिकोडर त्रुटि दमन के "वॉटरफॉल" शासन को अनलॉक कर सकते हैं, जिससे फॉल्ट-टोलरेंट क्वांटम कंप्यूटिंग की स्पेस-टाइम लागत काफी कम हो जाती है।