跳到正文
npj Quantum Information· Changwon Lee·· 22 天前精选AI 评分64

基于 Mamba 的神经解码器在实时量子纠错模拟中优于 Transformer

Scalable neural decoders for practical real-time quantum error correction

AI 导读

一篇发表于 npj Quantum Information 的论文提出并评估了基于 Mamba 状态空间模型的量子纠错解码器,其复杂度为 O(d²),低于 Transformer 注意力机制的 O(d⁴)。

AI 深度导读基于原文整理的分节解读
背景
实现容错量子计算需要实时、可扩展且准确的解码器。基于 Transformer 的神经解码器(如 AlphaQubit)虽已展示出高准确率,但其核心注意力机制的计算复杂度随码距 d 以 O(d^4) 增长,导致解码速度不足以满足实际实时应用。
做法
作者引入并评估了一种基于 Mamba 的解码器,这是一种复杂度为 O(d^2) 的状态空间模型。评估分两部分:一是在 Sycamore 硬件数据的内存实验中使用,与 Transformer 对应版本对比性能;二是在考虑了由解码器引入的噪声的模拟实时场景中,与 Transformer 进行对比,测试的码距最高到 d=9,观察性能差距随码距的变化。
结论
在 Sycamore 硬件数据的内存实验中,Mamba 解码器与 Transformer 版本表现相当,说明其效率优势没有以牺牲性能为代价。在计入解码器所致噪声的模拟实时场景中,Mamba 解码器明显优于 Transformer,且在被测码距范围内(最高到 d=9),两者的性能差距随码距增大而扩大。
意义
结果指向 Mamba 解码器在速度与准确率之间提供了有吸引力的平衡,使其成为可扩展实时量子纠错的一种有前景的架构选择。

本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文

推荐理由

用复杂度 O(d²) 的 Mamba 解码器替代 Transformer,并给出实时场景下性能差距随码距扩大的证据。

来源:npj Quantum Information · nature.com