维度网讯，哈佛大学物理系与哈佛量子倡议的研究团队于2026年4月发布一项量子纠错解码器研究成果。该团队开发了名为Cascade的卷积神经网络解码器，在纠错性能上显著超越现有方法，同时揭示了一种被称为“瀑布效应”的错误抑制机制。相关论文已提交至arXiv预印本服务器，论文作者包括Andi Gu、J. Pablo Bonilla Ataides、Mikhail D. Lukin及Susanne F. Yelin。

Cascade解码器基于神经网络架构，其结构设计直接映射量子代码的几何特性。在对表面码与量子低密度奇偶校验码的测试中，该解码器将逻辑错误率较标准方法降低约17倍至数千倍，数据处理吞吐量提升数千倍至10万倍。测试数据显示，单次解码延迟在数十微秒量级，经批处理优化后，每个纠错轮次的有效处理时间进一步压缩，适配囚禁离子与中性原子等量子计算平台的操作时序要求。

研究团队在论文中报告了瀑布效应的发现。传统纠错模型假设逻辑错误率随物理错误率改善而按代码距离决定的速率线性下降，但Cascade解码器的实测数据显示，一旦物理错误率降至某个阈值以下，逻辑错误率呈陡峭下降趋势，这一非线性现象源于高权重错误模式的统计抑制。基于该效应，达到同等可靠性水平所需的物理量子比特数量可减少约40%。研究团队指出，随着目标错误率的进一步降低，这一优势将继续扩大，对行业当前规划的百万量子比特级容错系统具有直接的成本与复杂度优化意义。

Cascade解码器由现代GPU执行，在保持低延迟的同时产生良好校准的置信度估计，可在不确定性较高时标记纠正结果，从而降低量子算法中“重复直到成功”操作的开销。论文同时指出该方法的局限性：神经网络解码器缺乏传统解码器的理论可证明性，在罕见或未见的错误模式上可能出现泛化不足，且大模型容量带来的计算与能耗成本尚待进一步评估。研究团队建议未来将解码器能力纳入量子系统架构设计的核心考量，并将该方法扩展至更多具有规则几何结构的量子代码家族。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告之，本站将予以修改或删除。邮箱：news@wedoany.com