⚛️ quantum physics

Machine Learning Decoding of Circuit-Level Noise for Bivariate Bicycle Codes

本文证明了基于循环 Transformer 的神经网络能够有效地解码双变量双循环（Bivariate Bicycle）QLDPC 码上的电路级噪声，在针对 $[[72,12,6]]$ 码的测试中，其逻辑错误率显著降低，且比传统的结合有序统计解码的置信传播算法具有更一致、更快的运行时间，尽管扩展到更大规模的码仍需进一步的架构改进。

原作者： John Blue, Harshil Avlani, Zhiyang He, Liu Ziyin, Isaac L. Chuang

发布于 2026-06-23

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： John Blue, Harshil Avlani, Zhiyang He, Liu Ziyin, Isaac L. Chuang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图通过一群微小且脆弱的小船，向波涛汹涌的大海另一端发送一条秘密信息。在量子计算的世界里，这些“小船”就是量子比特（qubits），而“风暴”则是导致错误的噪声。为了保护信息安全，我们使用量子纠错（QEC）。你可以把这想象成一支由观察员（称为校验子/syndromes）组成的队伍，他们不断扫描小船是否受损。当他们发现问题时，会向**解码器（decoder）**发送信号——这是一个聪明的计算机程序，其任务是弄清楚究竟发生了什么错误，以及如何在信息丢失之前将其修复。

长期以来，这种修复的最佳方式是使用一种非常彻底但缓慢的侦探方法，叫做 BP-OSD。它非常擅长找到正确答案，但有时会陷入“交通拥堵”，在解决谜题时耗费很长时间，或者针对每个谜题花费的时间差异极大。在现实世界的量子计算机中，你不能等待；解码器的反应速度必须能跟上观察员呼喊的速度。

新的方法：一个“聪明”的解码器

这篇论文介绍了一种利用**机器学习（ML）**构建的新型解码器，具体来说是一种名为 Transformer 的 AI 技术（这也是现代许多聊天机器人背后的技术）。这个新解码器不再是一个刻板的侦探，而更像是一个学习了数百万种风暴场景并学会了瞬间识别模式的学生。

研究人员在一种特定的量子码——**双变量双循环码（Bivariate Bicycle codes, BB codes）**上测试了这个新“学生”。这些编码就像是一种更高效的打包小船的方式，与旧方法相比，它们可以用更少的资源传输更多的信息。

结果：速度与准确度

论文将这个新的 AI 解码器与旧的“侦探”（BP-OSD）在两种不同规模的编码上进行了对比：

较小的编码 ([[72, 12, 6]]):
- 准确度： 这个 AI 解码器成为了冠军。它犯错（逻辑错误）的频率比旧的侦探方法低了约 5 倍。
- 速度： 旧的侦探表现得捉摸不定；有时很快，但有时又会陷入“交通拥堵”。而 AI 解码器则非常稳定。它从不卡顿。即使与旧方法最慢的时候相比，AI 的速度也快了 10 倍。
- 代价： AI 仍然略逊于理论上的“完美”解码器（称为最可能错误解码器），这意味着 AI 仍有进步和学习的空间。
较大的编码 ([[144, 12, 12]]):
- 准确度： 当谜题变大时，AI 显得有些吃力。在噪声极低的情况下，它犯的错误比旧的侦探方法更多。
- 速度： 尽管在大型编码上的准确度有所下降，但它仍然比旧方法快得多。

他们是如何实现的？

为了教导这个 AI 处理复杂的量子噪声“风暴”，研究人员使用了三个巧妙的技巧：

码感知注意力（Code-Aware Attention）： 想象你在学习一门语言。如果你同时盯着书中的每一个词看，会感到难以承受。这个 AI 被教导只去关注那些根据游戏规则（编码结构）相互关联的词。这让它学习得更快、更可靠。
循环记忆（Recurrent Memory）： 这个 AI 被设计为能够记住前一轮检查时的信息，而不是每次都从头开始。这就像是一个侦探在记录着一份持续更新的线索笔记，而不是在每一步之后都将其擦除。
先思考后说话（潜空间/Latent Space）： 他们没有强迫 AI 在看到第一个线索后就立即猜测答案，而是让它先在一个隐藏层中进行“思考”。这就像是要求一名学生在给出最终答案之前，先写下自己的推理过程。这有助于模型学习复杂的模式而不至于感到困惑。

核心结论

这篇论文表明，机器学习可以成为修复量子计算机错误的一种强大工具，尤其是在处理较小且高效的编码时。在较小规模的测试中，该 AI 在速度和准确度上都超越了目前的标准方法。

然而，论文也承认，随着编码规模的增大，AI 需要变得更加聪明。它指出，对于最大的编码，我们需要更复杂的 AI 架构和更好的训练方法才能匹配传统方法的性能。目前来看，这只是证明了 AI 在特定量子场景下可以胜过传统方法的一个充满希望的第一步。

技术摘要：用于双变量自行车码（Bivariate Bicycle Codes）的电路级噪声机器学习解码

问题陈述
容错量子计算依赖于经典解码器来解释综合测量值并推断错误。虽然机器学习（ML）解码器在表面码（surface code）方面已展现出潜力，但其在量子低密度奇偶校验码（QLDPC）上的应用仍处于探索阶段，特别是在处理电路级噪声时。电路级噪声比码容量噪声更复杂，因为它包含了错误的测量和误差传播，导致随着综合轮数（syndrome rounds）的增加，输入空间呈指数级增长。此外，QLDPC 码缺乏表面码那样的局部稳定子结构，使得标准的卷积或局部解码方法无法适用。现有的基准算法，如带有排序统计解码的置信传播（BP-OSD），虽然有效，但存在运行时间方差大和三次复杂度最坏情况的问题，这对实时解码构成了挑战。

方法论
作者提出了一种基于循环 Transformer 结构的神经网络，旨在对双变量自行车（BB）码上的电路级噪声进行解码。该模型旨在通过预测逻辑测量翻转（与逻辑算符反交换的错误）的概率，而非重建完整的电路级错误，从而逼近最大似然解码器。

其关键架构与训练创新包括：

码感知自注意力机制（Code-Aware Self-Attention）： 为了应对 QLDPC 码缺乏局部结构的问题，作者改进了码感知自注意力机制（最初用于经典码）。该机制根据 Tanner 图结构限制了综合位之间的注意力权重，特别考虑了距离为 2 的检测器。这作为一种归纳偏置，用于加速训练并提高鲁棒性。
循环架构： 模型采用循环结构按顺序处理综合测量轮次。这降低了每次迭代的输入规模，与同时处理所有轮次相比，提高了可训练性。
条件概率输出： 模型并非输出固定的错误集合（这在逻辑比特数量上是指数级的），而是输出一个条件概率分布。它使用自回归预测来确定是否发生了特定的逻辑错误。
结合潜空间预测的多阶段训练： 直接针对电路级噪声进行训练非常困难。作者利用了一种受“思维链”提示启发的多阶段训练协议。首先，模型被训练在每一轮后预测中间逻辑测量翻转。随后，训练逐渐转向中间轮次的潜空间预测，即模型输出内部表示，而不必在最终综合轮次之前就对错误进行纠正做出决定。这防止了模型在数据不足的情况下做出过早决策。

实验设置
研究在两种 BB 码实例上评估了该模型：

[[72, 12, 6]] BB 码： 一个具有 12 个逻辑比特的小型码。
[[144, 12, 12]] BB 码： 一个具有 12 个逻辑比特的大型码。

性能通过与标准 BP-OSD 实现（使用用于误差率的三阶 OSD 和用于运行时间基准的零阶 OSD）以及整数规划（IP）解码器（一种最可能错误解码器）进行对比来衡量。实验模拟了具有电路级去极化噪声的存储器实验，改变了物理误差率 ( $p$ ) 和噪声综合测量轮数 ($NR$)。

关键结果

[[72, 12, 6]] 码：
- 逻辑错误率： 在物理误差率 $p = 0.1\%$ 时，ML 解码器的逻辑错误率比 BP-OSD-3 低约 5 倍。然而，它仍比最优的 IP 解码器高出约 5 倍。
- 运行时间： ML 解码器表现出一致的运行时间，而 BP-OSD 则显示出宽泛的分布且存在显著的离群值。ML 模型的速度比最坏情况下的 BP-OSD 实例快约一个数量级。
- 泛化能力： 在 $p=0.6\%$ 下训练的模型能很好地泛化到较低的误差率。
- 可扩展性： 随着综合轮数 ($NR$) 的增加，模型的性能显著提升，显示出比 BP-OSD 更好的每轮误差抑制能力。
[[144, 12, 12]] 码：
- 逻辑错误率： 在物理误差率介于 $0.3\%$ 至 $0.7\%$ 之间时，ML 解码器的表现与 BP-OSD-3 相当。然而，当 $p < 0.3\%$ 时，ML 解码器的逻辑错误率显著恶化（例如在 $p=0.1\%$ 时，比 BP-OSD 差约 7 倍），这表明当前的架构在扩展到更大的码距时面临困难。
- 运行时间： 保持了相对于 BP-OSD 的速度优势。

意义与主张
本文提供了初步证据，表明机器学习解码器在小型 QLDPC 码上，在逻辑错误率和最坏情况运行时间一致性方面，可以优于传统解码器（特别是 BP-OSD）。作者声称，其工作为未来 QLDPC 码上的 ML 解码器提供了基准。

然而，作者对当前方法的扩展性持谨慎态度。他们明确指出，需要更复杂的架构和/或训练程序，才能在更大的码规模上达到理想的逻辑错误率。本文并不声称当前的模型解决了大规模 QLDPC 码的解码问题，而是展示了该方法的可行性，并指出了未来工作所需的特定领域（如架构扩展性和低误差率下的训练数据密度）。作者还指出，虽然他们的解码器足以支持通过逻辑测量翻转进行的基于泡利算符的计算（PBC），但大规模计算的实时解码仍需要进一步的发展，例如并行窗口解码策略。

新的方法：一个“聪明”的解码器

结果：速度与准确度

他们是如何实现的？

核心结论

类似论文