[发明专利]一种基于深度学习的分段容错逻辑量子电路解码方法

权利要求书

1.一种基于深度学习的分段容错逻辑量子电路解码方法，其特征在于：所述解码方法包括：

S1、将逻辑电路进行变体得到满足容错性的容错变体线路并收集其内部纠错模块产生的诊断数据；

S2、根据所述诊断数据构建内置有多分类数据模型的高效解码器，根据所述解码器和诊断数据找出最终纠错过程的恢复算子；

所述根据所述诊断数据构建内置有多分类数据模型的高效解码器，根据所述解码器和诊断数据找出最终纠错过程的恢复算子包括：

采用编码信息位为1的纠错码来保护信息的逻辑电路的纠错过程中的恢复算子其中，s_r为纠错模块ε_r所产生的诊断测量数据；

令其中，X₁为作用与单个逻辑信息位的逻辑Pauli X算子，而Z₁为逻辑Pauli Z算子，且

引入函数g_X与g_Z，使得

定义数据集其中，s为诊断数据，l∈L为逻辑量子态可能发生的逻辑误差类别；k个不同类别使用one-hot编码标签方式，以诊断数据作为训练集进行训练得到函数g_X与g_Z的具体参数；

采用编码信息位为k的纠错码来保护信息的逻辑电路的最终纠错过程中的恢复算子

2.根据权利要求1所述的一种基于深度学习的分段容错逻辑量子电路解码方法，其特征在于：所述将逻辑电路进行变体得到满足容错性的容错变体线路包括：

将逻辑电路分为r个分段，得到

对每个分段子线路之间设计一个纠错模块，使得逻辑电路进行变体后得到满足容错性的容错电路其中ε_r和ε_r-1分别表示第r和r-1分段子模块。

3.根据权利要求1所述的一种基于深度学习的分段容错逻辑量子电路解码方法，其特征在于：对于逻辑电路的分段容错变体其参数r表示使得满足最低容错性所需要的最小划分数，这个参数一般通过启发式搜索算法可以得到，而在不同子电路之间，中间层纠错过程ε_i实施步骤如下：

A1、准备好事先制备的通过验证的辅助量子态，并利用该辅助量子态通过容错稳定子测量提取编码信息态相对于该稳定子的特征值；

A2、测量辅助量子态，并将测量结果保留；

A3、根据纠错过程中所需要测量的稳定子数目d，重复A1-A2步骤d次，最终得到一个维数为d的诊断向量s_i；对于而言，当其施加完成后，最终获得了一系列诊断向量数据，将其组合成为一个向量s＝s₁×…×s_r，并将其用于最终解码过程的恢复算子的模型函数之中，从而可以通过机器学习训练以找出对应的预测函数g_X与g_Z。

4.根据权利要求1所述的一种基于深度学习的分段容错逻辑量子电路解码方法，其特征在于：通过机器学习模型以寻找模型函数的具体参数的步骤包括：

使用神经网络来近似模型函数g_X与g_Z，以g_X为例，记其对应近似神经网络参数为ω，同时设置目标函数为并利用训练数据优化该目标函数以寻找到最优近似神经网络的参数，其中，目标函数为：为一个二元标量，其内涵意义为，如果诊断数据s属于第j类，则该标量值为1，否则为0；M为该神经网络的层数，而为模型函数预测诊断数据s属于第j类的概率；

将数据s作为网络的输入数据发送到数个隐藏层，隐藏层函数为：H_m＝f(ω^(m-1)H_m-1+b^(m-1)),m＝1,…,M，将线性整流函数ReLU作为隐藏层函数中的激活函数f，即f(x)＝max{0,x}；

然后将最后一个隐藏层的输出传递到Softmax层，以计算s属于第j个类别的概率，记并通过计算得到概率向量，其中V＝(V₁,…,V_k)＝ω^(M)H_M+b^(M)；

最后通过标签向量计算公式计算得出s对应于每个类别的概率预测类标签向量其中，标签向量计算公式为：