Distance Prediction for Quantum Codes
本文介绍了 BB-Net，这是一种基于注意力的神经网络，它在预测二元双循环量子码（Bivariate Bicycle quantum codes）距离方面显著优于现有的最先进启发式算法，具有极高的准确率和极低的计算成本，从而加速了最优量子纠错码的发现。
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
量子计算机承诺解决那些需要经典机器花费数千年的问题，从破解无法破解的代码到模拟复杂的分子。然而，这些机器的物理构建模块——被称为量子比特（qubits）的单元——是极其脆弱的。它们对热量、振动和电磁噪声极其敏感，以至于几乎会瞬间丢失信息，这种现象被称为退相干（decoherence）。为了制造出实用的机器，科学家必须将这些脆弱的量子比特包裹在多层保护之下，这种系统被称为量子纠错（quantum error correction）。该系统通过将单个信息片段分布在许多物理量子比特上，从而创建一个能够检测并修复错误而不破坏数据的安全网。这个安全网的强度由一个被称为“距离”（distance）的数值来衡量。可以将这个距离想象成一个编码在信息变得无法恢复之前所能承受的独立错误数量。距离越高，意味着编码越稳健，能够运行更长时间且更复杂的计算。
寻找最佳编码是一个巨大的搜索问题。科学家们已经开发出了各种编码家族，例如基于二元双循环结构（bivariate bicycle structures）的编码，这些编码在效率与保护之间提供了极具前景的平衡。然而，确定特定编码的确切距离是极其困难的。这是一个如此复杂的计算谜题，以至于即使是最强大的超级计算机在处理大型编码时也难以应对。研究人员目前主要依赖两种方法：一种是保证正确答案但需要运行数天或数周的精确求解器；另一种是速度更快但只能提供最佳猜测估计、有时会错过真实极限的启发式搜索。这一瓶颈减缓了更好编码的发现过程，因为研究人员无法快速筛选数百万种潜在设计，以找到那少数真正卓越的设计。
在一项新的研究中，来自内盖夫比尔格言大学的研究员 Nadav Schneider 和 Eliya Nachmani 引入了一种不同的前进方式。他们不再试图每次都从头开始解决距离谜题，而是训练了一个人工智能来预测答案。他们建立了一个包含近 59,000 个量子编码的数据集，并使用昂贵且高预算的计算机搜索计算了每个编码的距离。这些计算作为机器学习模型的“答案”。该模型被命名为 BB-Net，旨在观察一个编码的数学蓝图——特别是其保护规则的排列方式——并学习与高或低距离相关的模式。通过直接分析编码的结构，而不是运行缓慢的模拟，该人工智能学会了进行快速预测。
结果表明，这种方法非常有效。当在从未见过的编码集上进行测试时，BB-Net 预测距离的准确率达到了 96.39%。实现这一性能仅用了每秒处理一个编码的极短时间。相比之下，最好的现有计算机方法在允许运行长达一万倍的时间后，准确率仅达到 94.86%。在已知绝对确切距离的较小子集上，该人工智能的准确率攀升至 98.94%。这项研究证明，人工智能可以超越传统的、计算密集型的方法，同时仅使用极小部分的计算时间。这种速度使研究人员能够几乎瞬间筛选海量的潜在编码，过滤掉弱编码，并将昂贵且缓慢的计算留给最有希望的候选者。
研究人员不仅依赖于原始的速度，还设计了计算机“读取”编码的方式，使任务变得更容易。他们开发了一种方法，将编码复杂的代数描述转化为紧凑的标记（tokens）列表，类似于将句子分解为单词。他们创建了两种不同的视角：一种观察规则之间的局部连接，另一种观察整个结构的全局重复模式。通过结合这两个视角，模型学习到了关于什么构成了强大编码的深刻理解。他们还教会了模型识别出：改变编码的起始点并不会改变其强度，从而确保模型专注于本质属性而非任意细节。
这项工作代表了科学家对待量子纠错码设计方式的一个重大转变。多年来，该领域一直受到验证编码强度所需时间的限制。通过引入一种能在毫秒内高置信度预测这种强度的工具，研究人员移除了一个主要的发现障碍。研究证实，机器学习可以从数据中学习量子纠错的隐藏规则，为重复、昂贵的计算提供了一种实用的替代方案。虽然人工智能提供的是估计值而非针对每一个案例的绝对数学证明，但它能够快速识别高质量编码的能力，加速了寻找构建未来量子计算机所需的稳健、可扩展系统的进程。该新工具的代码现已向公众开放，邀请其他科学家利用它去探索广阔的量子可能性领域。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。