#RNN

用于超导处理器上表面码存储与逻辑操作的模块化神经网络解码器

基于摘要分析。研究针对量子纠错解码器难以跨设备、噪声条件与逻辑操作迁移的问题，提出模块化图循环解码器。其核心是复用局部 syndrome（纠错综合征）编码器，先在模拟中预训练，再通过统一流程对硬件数据微调；不同实验之间仅调整轻量级空间聚合模块。 在常规表面码存储基准上，作者报告：该方法在 IBM Nighthawk 代处理器上、码距为 3 和 5 的实验中优于 minimum-weight perfect matching（MWPM）；在 Google 的阈值以下硬件数据上，表现接近 AlphaQubit。摘要未提供具体指标、误差范围或数据划分，不能据此量化优势，也不能直接比较不同硬件上的结果。 作者进一步在同一 IBM 设备上测试两类非存储解码任务。其一是 X 型稳定性实验：通过可变的读出前旋转连续调节有效测量错误率，并以覆盖该噪声范围的数据联合训练单个解码器。作者报告，该模型在整个扫描范围内达到或优于 MWPM，无须为每个噪声设置单独校准解码器。其二是两个码距为 3 的表面码块之间的 ZZ 合并晶格手术实验；作者报告，相比 MWPM，该方法提高了真实硬件上解码所得合并结果与最终 ZZ 奇偶性的相关性。 阅读重点是局部编码模块的复用边界、空间聚合的适配成本，以及模拟预训练到硬件微调的具体流程。作者称模型可在学术研究常见的单 GPU 资源上训练，但训练时间、显存需求、推理延迟、实验协议、消融及统计信息尚未验证。 本研究对象是超导量子处理器的量子纠错，而非脑信号或侵入式接口；来源栏目不能作为 BCI 相关性的证据。其在 EEG/BCI 中的适用性尚未验证，相关工作尚未检索确认。