精选理由
这篇论文提出了NTU框架，能让小代码训练的知识加速大解码器，在几类量子纠错码上都比现有方法好。
本文提出了神经转移统一（NTU）框架，用于高效训练基础解码器。NTU-Transformer解码器在平面表面码[361,1,19]上优于相关感知匹配，并扩展到[625,1,25]码。对于双变量自行车码[72,12,6]，在低物理错误率下超过Relay-BP。该方法通过代数结构对齐不同代码距离的解码任务，实现从小规模代码到大规模解码器的知识迁移。
AI 翻译 · 中文
本文提出了神经转移统一（NTU）框架，用于高效训练基础解码器。NTU-Transformer解码器在平面表面码[361,1,19]上优于相关感知匹配，并扩展到[625,1,25]码。对于双变量自行车码[72,12,6]，在低物理错误率下超过Relay-BP。该方法通过代数结构对齐不同代码距离的解码任务，实现从小规模代码到大规模解码器的知识迁移。
Foundation decoders, a class of high-capacity neural decoders, are leading candidates for fault-tolerant quantum computing, with accurate and efficient decoding at large code distances. However, their construction often …