量子计算机有望解决当今机器无法处理的问题，从设计新药到破解复杂的密码。但这些机器极其脆弱；来自热量或电磁波的哪怕最轻微的干扰，都可能扰乱它们所持有的信息。为了保护这些脆弱的数据，科学家们使用一种称为“量子纠错”的方法。他们不是将单个信息存储在一个地方，而是将其分散在许多物理粒子中，从而创建一个安全网。如果少数几个粒子受到损坏，系统可以检测到损伤并在不丢失整体信息的情况下进行修复。挑战在于，这种修复过程必须发生得比计算机“忘记”正在做的事情更快，这需要一个既极其精确又极速的解码器。
多年来，研究人员一直依赖一种名为“置信传播”（belief propagation）的标准数学工具来充当这种解码器。它的工作原理是通过在粒子之间传递消息，以弄清错误发生在何处。虽然这种方法速度快，且随着计算机规模的扩大而具有良好的扩展性，但它往往无法达到对最有前景的一种量子码（被称为“表面码”）所需的极高准确度。问题在于，标准方法试图识别每一个物理粒子的确切错误，由于量子力学的复杂本质，这项任务通常过于困难且容易出错。一项新研究提出了一种不同的思考方式。研究人员建议，解码器不应试图精准定位每一个微小的错误，而应只关注最终结果：确定整体逻辑信息是被保留了还是被破坏了。
来自韩国和以色列多所大学的研究人员开发了一种名为“逻辑神经置信传播”（Logical Neural Belief Propagation）的新系统。该系统将传统的消息传递方法的速度与神经网络（一种通过经验学习的人工智能）结合在一起。该过程始于神经网络运行标准的的消息传递程序，但它不会停下来去猜测确切的物理错误，而是将发现的结果传递给第二阶段。第二阶段充当一个分类器，将杂乱、详细的信息转化为关于系统逻辑状态的简单预测。通过训练整个系统使其只关心最终的逻辑结果，研究人员发现，该解码器学会了忽略那些通常会让其他方法出错的混乱细节。这就像一位医生不再试图诊断患者体内的每一个细微症状，而是转而仅仅关注患者是否稳定到可以回家；这种重心的转移使得决策变得更加清晰和快速。
在模拟实验中，团队在各种噪声和误差条件下，将这种新解码器与现有的最佳方法进行了对比测试。他们发现，通过将目标从修复物理错误转向预测逻辑结果，新系统显著优于以往的方法。在针对一种距离为 9 的特定类型量子码进行测试时，新解码器的准确度达到了现有最强大工具的水平，但仅需极小部分的计算能力。具体而言，它在达到与领先竞争对手同等可靠性的同时，仅使用了其 0.2% 的复杂度。这意味着它可以在更小、更节能的硬件上运行，这是构建实用量子计算机的一个关键优势。
研究还表明，随着量子计算机规模的扩大，这种方法表现出了极佳的扩展性。当其他高精度方法随着代码规模增大而变得呈指数级变慢且成本更高时，这个新系统保持了稳定的线性速度。在理想条件下，它达到了 17.5% 的性能阈值，这意味着在失效之前，它能容忍比许多竞争对手更高的错误率。即使在测量过程中本身就会产生误差的更真实的噪声环境中，该系统依然保持了高效和准确。研究结果表明，通过将传统算法的速度与神经网络的适应性相结合，并专注于逻辑目标而非物理细节，科学家们已经找到了一条既高精度又能为未来大规模量子计算机做好准备的解码路径。
技术摘要：用于表面码线性复杂度解码的逻辑神经置信传播
问题陈述
量子纠错（QEC）要求解码器在实现高逻辑准确度的同时，能够随码长高效扩展。表面码因其高错误阈值和局部连通性，是可扩展量子计算的主要候选方案。然而，现有的解码器面临着复杂度与准确度之间的权衡：
- 最小权重完美匹配（MWPM）： 表面码的一种标准解码器，但其最坏情况下的复杂度呈超线性增长，阻碍了可扩展性。
- 置信传播（BP）： 具有吸引力的线性解码复杂度（O(n)），但传统的 BP 解码器由于存在短环和量子简并性，往往无法达到足够的逻辑准确度。
- 神经置信传播（NBP）： 通过引入可训练权重来打破消息对称性，从而改进了 BP。然而，独立的 NBP 准确度仍然有限，且未能展示出清晰的阈值行为。
- 全神经解码器： 如 Transformer 和 CNN 等架构实现了高准确度，但以牺牲可扩展性和显著增加训练工作量为代价。
核心挑战在于开发一种既能保留 BP 的线性复杂度，又能达到如 MWPM 或带序统计解码 BP-OSD 等更复杂解码器之高逻辑准确度的解码器。
方法论：逻辑神经置信传播（L-NBP）
作者提出了逻辑神经置信传播（L-NBP），这是一种混合解码器，它将解码目标从物理层解码（估计精确的物理错误模式）转向逻辑层解码（预测由错误引起的逻辑算符）。
该架构由两个端到端（E2E）连接的可训练阶段组成：
- 神经 BP（NBP）模块：
- 使用标准的 BP 消息传递结构在 Tanner 图上处理测得的硬综合征 s。
- 与标准 BP 不同，它利用可训练权重来更新消息。
- 它不输出硬性的物理错误估计，而是产生代表对每个量子比特错误信念的后验对数似然比（LLR）。
- 逻辑分类器：
- 接收来自 NBP 模块的后验 LLR，并将其转换为连续值的软综合征。这是通过使用可学习的加权和聚合迭代中的边向后验 LLR，并通过可学习温度参数进行归一化来实现的。
- 该软综合征被输入到一个具有单个隐藏层的轻量级多层感知器（MLP）中。
- 该 MLP 将软综合征映射到代表单个逻辑量子比特表面码四种可能逻辑算符的 Logit 向量：{Iˉ,Xˉ,Zˉ,Yˉ}。
关键训练策略：
整个系统使用逻辑层交叉熵损失进行端到端训练。至关重要的是，NBP 模块并非旨在最小化物理错误恢复（这是标准 NBP 的目标），而是被训练用于提取对最终逻辑分类任务最有信息量的软综合征。这使得 NBP 模块能够学习对逻辑推理有利的表示，即使底层的物理错误模式并未被完美恢复。
多轮测量扩展：
该框架扩展到了现象级噪声模型和电路级噪声模型（其中综合征是有噪声的且经过 R 轮重复）。
- NBP 模块在一个扩展的稳定器矩阵上运行，以处理综合征的历史记录。
- 一个关键创新在于，NBP 模块充当“综合征历史压缩器”，将时间信息聚合为固定长度 m 的软综合征（与轮数 R 无关）。
- 因此，逻辑分类器的结构与单轮情况保持一致，从而保持了每轮的线性复杂度。
核心贡献
- 目标重定向： 证明了将优化目标从物理错误恢复转向逻辑算符预测，可以显著提升基于 BP 的解码器性能。
- 端到端可训练性： 引入了一个全可训练的流水线，其中消息传递权重和逻辑分类器被联合优化，使 BP 模块能够学习专门用于逻辑分类的特征。
- 高准确度的线性复杂度： 在保持标准 BP 的 O(n) 复杂度扩展的同时，实现了与超线性解码器（MWPM、BP-OSD）相当甚至超越其性能的水平。
- 电路级噪声中的效率： 表明 L-NBP 避免了 BP-OSD 在电路级噪声中所涉及的计算爆炸，因为它是在紧凑的稳定器矩阵上运行，而非庞大的故障机制矩阵（DEM）。
结果
作者在码容量、现象级和电路级噪声模型下评估了 L-NBP：
码容量模型（去极化噪声）：
- 阈值： L-NBP 实现了 17.5% 的阈值，优于 MWPM (14.5%)、BP-OSD (16.5%) 以及其他高复杂度解码器如 QECCT (17.1%) 和 AMBP。
- 准确度： L-NBP 显著优于独立的 NBP，并达到或超过了 BP-OSD 和 MWPM。
- 复杂度： 在距离 d=13 时，L-NBP 仅需 0.89 M FLOPs，而 BP-OSD 为 1.95 M，AMBP 为 95 M，QECCT 为 604 M。
电路级噪声：
- 准确度： 在距离 d=9 时，L-NBP 的准确度与 BP-OSD 和 Relay-BP 持平。
- 复杂度： L-NBP 仅需 BP-OSD 复杂度的 0.2% 以及 Relay-BP 复杂度的 0.06%。这是因为 L-NBP 在紧凑的扩展稳定器矩阵（d=9 时为 720×1530）上运行，而不是 BP-OSD 所需的巨大 DEM 矩阵（720×12750）。
- 可扩展性： 虽然 BP-OSD 的复杂度随 n 呈 O(n3)（码容量）或 O(n4)（现象级）增长，但 L-NBP 保持了每轮线性 O(n) 的扩展。
意义
本文声称 L-NBP 解决了表面码中解码复杂度与准确度之间的长期权衡问题。通过利用量子纠错的独特属性——即恢复逻辑算符对于纠错而言已经足够，即使无法识别精确的物理错误——作者证明了基于 BP 的解码器可以在不牺牲性能的情况下实现高效扩展。
结果表明，结合 BP、神经权重和逻辑层解码，可以催生出一类既具有可扩展性（线性复杂度）又具有高准确度（卓越阈值）的新型解码器。这种方法为大规模量子系统中的实时解码提供了一条切实可行的路径，因为在这些系统中，当前最先进解码器（如 MWPM 或 BP-OSD）的计算开销将是难以承受的。
每周获取最佳 quantum physics 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。