[發明專利]一種基于深度學習的分段容錯邏輯量子電路解碼方法

有效

• 申請號: 202110020207.5
• 申請日: 2021-01-07
• 公開（公告）號: CN112734043B
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 楊國武;林晨;王剛;張孟華;孔令宇;談振偉
• 申請（專利權）人: 電子科技大學
• 主分類號: G06N10/00
• 分類號: G06N10/00;G06N3/04;G06N3/08
• 代理公司: 成都東恒知盛知識產權代理事務所(特殊普通合伙) 51304
• 代理人: 羅江

1.一種基于深度學習的分段容錯邏輯量子電路解碼方法，其特征在于：所述解碼方法包括：

S1、將邏輯電路進行變體得到滿足容錯性的容錯變體線路并收集其內部糾錯模塊產生的診斷數據；

S2、根據所述診斷數據構建內置有多分類數據模型的高效解碼器，根據所述解碼器和診斷數據找出最終糾錯過程的恢復算子；

所述根據所述診斷數據構建內置有多分類數據模型的高效解碼器，根據所述解碼器和診斷數據找出最終糾錯過程的恢復算子包括：

采用編碼信息位為1的糾錯碼來保護信息的邏輯電路的糾錯過程中的恢復算子其中，s_r為糾錯模塊ε_r所產生的診斷測量數據；

令其中，X₁為作用與單個邏輯信息位的邏輯Pauli X算子，而Z₁為邏輯Pauli Z算子，且

引入函數g_X與g_Z，使得

定義數據集其中，s為診斷數據，l∈L為邏輯量子態可能發生的邏輯誤差類別；k個不同類別使用one-hot編碼標簽方式，以診斷數據作為訓練集進行訓練得到函數g_X與g_Z的具體參數；

采用編碼信息位為k的糾錯碼來保護信息的邏輯電路的最終糾錯過程中的恢復算子

2.根據權利要求1所述的一種基于深度學習的分段容錯邏輯量子電路解碼方法，其特征在于：所述將邏輯電路進行變體得到滿足容錯性的容錯變體線路包括：

將邏輯電路分為r個分段，得到

對每個分段子線路之間設計一個糾錯模塊，使得邏輯電路進行變體后得到滿足容錯性的容錯電路其中ε_r和ε_r-1分別表示第r和r-1分段子模塊。

3.根據權利要求1所述的一種基于深度學習的分段容錯邏輯量子電路解碼方法，其特征在于：對于邏輯電路的分段容錯變體其參數r表示使得滿足最低容錯性所需要的最小劃分數，這個參數一般通過啟發式搜索算法可以得到，而在不同子電路之間，中間層糾錯過程ε_i實施步驟如下：

A1、準備好事先制備的通過驗證的輔助量子態，并利用該輔助量子態通過容錯穩定子測量提取編碼信息態相對于該穩定子的特征值；

A2、測量輔助量子態，并將測量結果保留；

A3、根據糾錯過程中所需要測量的穩定子數目d，重復A1-A2步驟d次，最終得到一個維數為d的診斷向量s_i；對于而言，當其施加完成后，最終獲得了一系列診斷向量數據，將其組合成為一個向量s＝s₁×…×s_r，并將其用于最終解碼過程的恢復算子的模型函數之中，從而可以通過機器學習訓練以找出對應的預測函數g_X與g_Z。

4.根據權利要求1所述的一種基于深度學習的分段容錯邏輯量子電路解碼方法，其特征在于：通過機器學習模型以尋找模型函數的具體參數的步驟包括：

使用神經網絡來近似模型函數g_X與g_Z，以g_X為例，記其對應近似神經網絡參數為ω，同時設置目標函數為并利用訓練數據優化該目標函數以尋找到最優近似神經網絡的參數，其中，目標函數為：為一個二元標量，其內涵意義為，如果診斷數據s屬于第j類，則該標量值為1，否則為0；M為該神經網絡的層數，而為模型函數預測診斷數據s屬于第j類的概率；

將數據s作為網絡的輸入數據發送到數個隱藏層，隱藏層函數為：H_m＝f(ω^(m-1)H_m-1+b^(m-1)),m＝1,…,M，將線性整流函數ReLU作為隱藏層函數中的激活函數f，即f(x)＝max{0,x}；

然后將最后一個隱藏層的輸出傳遞到Softmax層，以計算s屬于第j個類別的概率，記并通過計算得到概率向量，其中V＝(V₁,…,V_k)＝ω^(M)H_M+b^(M)；

最后通過標簽向量計算公式計算得出s對應于每個類別的概率預測類標簽向量其中，標簽向量計算公式為：