【技术实现步骤摘要】
量子纠错解码系统、方法、容错量子纠错系统及芯片
本申请实施例涉及量子
,特别涉及一种量子纠错解码系统、方法、容错量子纠错系统及芯片。
技术介绍
由于量子比特非常容易受到噪声的影响,所以直接在物理量子比特上实现量子计算以目前的技术来看还不现实。量子纠错码和容错量子计算技术的发展,原则上提供了在有噪声量子比特上实现任意精度量子计算的可能。如果仅仅是针对量子信息进行存储,那我们可以检测并收集所有的错误症状并在最后根据所有的症状信息进行纠错,这种纠错方式称为后处理。但是在进行容错量子计算时,量子电路本身会实时改变错误类型,仅仅依靠症状信息无法正确跟踪定位发生在不同时空的错误。为了使量子计算能够顺利进行,必须在得到错误症状之后立刻进行解码,并在量子算法的每一个计算步骤运行之前(或者下一轮纠错开始之前)完成纠正错误。这种称为实时纠错,是实现大规模通用量子计算必不可缺的技术。实时纠错对量子纠错解码系统的运行时间裕度提出了很高的刚性要求,但目前的一些量子纠错解码系统设计,无法满足实时纠错的要求。
技术实现思路
本申请实施例提供了一种量子纠错解码系统、方法、容错量子纠错系统及芯片,能够缩短量子纠错解码所需的时间,从而满足实时纠错的要求。所述技术方案如下:根据本申请实施例的一个方面,提供了一种量子纠错解码系统,所述量子纠错解码系统包括多个纠错芯片,所述纠错芯片用于:获取量子电路的错误症状信息,所述错误症状信息是由量子纠错码的稳定子生成元的本征值构成的数据阵列;运行经规范化 ...
【技术保护点】
1.一种量子纠错解码系统,其特征在于,所述量子纠错解码系统包括多个纠错芯片,所述纠错芯片用于:/n获取量子电路的错误症状信息,所述错误症状信息是由量子纠错码的稳定子生成元的本征值构成的数据阵列;/n运行经规范化处理后的神经网络解码器对所述错误症状信息进行解码处理,得到错误结果信息,所述错误结果信息用于确定所述量子电路中发生错误的量子比特以及相应的错误类型;/n其中,所述神经网络解码器的核心运算为经数值量化处理得到的无符号定点数的乘积累加运算。/n
【技术特征摘要】
1.一种量子纠错解码系统,其特征在于,所述量子纠错解码系统包括多个纠错芯片,所述纠错芯片用于:
获取量子电路的错误症状信息,所述错误症状信息是由量子纠错码的稳定子生成元的本征值构成的数据阵列;
运行经规范化处理后的神经网络解码器对所述错误症状信息进行解码处理,得到错误结果信息,所述错误结果信息用于确定所述量子电路中发生错误的量子比特以及相应的错误类型;
其中,所述神经网络解码器的核心运算为经数值量化处理得到的无符号定点数的乘积累加运算。
2.根据权利要求1所述的量子纠错解码系统,其特征在于,所述神经网络解码器包括至少一个隐含层,所述隐含层的输出参数的计算过程如下:
获取量化后权重向量和量化后输入向量;其中,所述量化后权重向量中包括经数值量化处理得到的无符号定点数形式的权重参数,所述量化后输入向量包括经数值量化处理得到的无符号定点数形式的输入参数;
基于所述量化后权重向量和所述量化后输入向量的内积,得到无符号定点数形式的输出参数。
3.根据权利要求2所述的量子纠错解码系统,其特征在于,所述基于所述量化后权重向量和所述量化后输入向量的内积,得到无符号定点数形式的输出参数,包括:
从所述纠错芯片的片上内存中获取既定参数;其中,所述既定参数是指取值不受所述输入参数影响的参数;
基于所述既定参数,以及所述量化后权重向量和所述量化后输入向量的内积,得到无符号定点数形式的所述输出参数。
4.根据权利要求3所述的量子纠错解码系统,其特征在于,所述基于所述既定参数,以及所述量化后权重向量和所述量化后输入向量的内积,得到无符号定点数形式的所述输出参数,包括:
按照如下公式计算得到无符号定点数形式的所述输出参数Oq:
其中,qw为经数值量化处理后得到的无符号定点数形式的权重参数,qa为经数值量化处理后得到的无符号定点数形式的输入参数,qb为经数值量化处理后得到的无符号定点数形式的偏置参数,scalew为权重参数对应的比例缩放系数,scalea为输入参数对应的比例缩放系数,scaleO为输出参数对应的比例缩放系数,w0为权重参数对应的参考定点数,b0为偏置参数对应的参考定点数,i为正整数;并且,所述既定参数包括S1、S2和w0。
5.根据权利要求2所述的量子纠错解码系统,其特征在于,所述隐含层之后还包括激活函数层,所述激活函数层用于对所述输出参数进行如下处理:
获取所述输出参数的符号位;
若所述符号位指示所述输出参数为正数,则保留所述输出参数的各个比特位的数值不变;
若所述符号位指示所述输出参数为负数,则将所述输出参数的各个比特位的数值置零。
6.根据权利要求1所述的量子纠错解码系统,其特征在于,所述规范化处理包括以下至少一项:
所述多个纠错芯片上运行的各个所述神经网络解码器具有相同的网络结构;
所述神经网络解码器的隐含层仅包括卷积层和全连通层;
所述神经网络解码器的激活函数使用线性整流单元ReLU激活函数;
每个所述纠错芯片上运行一个所述神经网络解码器;
所述神经网络解码器能够适用于不同量子电路的纠错解码。
7.根据权利要求1所述的量子纠错解码系统,其特征在于,所述解码芯片包括片上内存、控制单元和算术计算模块;
所述片上内存用于存储所述神经网络解码器的参数信息;
所述控制单元用于控制所述算术计算模块从所述片上内存中读取所述参数信息;
所述算术计算模块用于从所述片上内存中读取所述参数信息,基于所述参数信息执行所述乘积累加运...
【专利技术属性】
技术研发人员:郑一聪,席光磊,张孟禹,张华良,刘福明,张胜誉,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。