arXiv cs.AI· Anil Bilgin, Wanda Hou, Pranav Srinivas, Yi-Zhuang You·· 10 小时前AI 评分31
GraphMP：面向量子 LDPC 码的搜索知识蒸馏解码器模型工厂
Distilling Knowledge from Search: Decoder Model Factory for Quantum LDPC Codes
AI 导读
GraphMP 是一种基于学习的消息传递解码器，面向量子 LDPC 码，无需微调即可跨码族、码长、物理错误率和噪声模型迁移。它用局部消息传递保持计算可扩展，并由预测引导 beam search 逐步修正候选错误模式，以更多解码时间换取更低逻辑错误率。研究提出“解码器模型工厂”范式，用模型引导搜索产生的已验证轨迹做知识蒸馏，将解码计算转化为可复用训练数据，并随噪声变化持续更新模型。
正文 · AI 翻译
摘要：我们提出 GraphMP，一种基于学习的消息传递解码器，用于量子低密度奇偶校验码，无需微调即可在不同码族、码尺寸、物理错误率和噪声模型之间迁移。GraphMP 使用局部消息传递，使计算在解码图增长时仍保持可扩展。在其预测的引导下，束搜索逐步细化候选错误模式，以额外的解码时间换取更低的逻辑错误率。我们开发了解码器模型工厂，作为一种范式，用于在解码过程中利用早期模型生成的经验来训练后续模型。模型引导的搜索为知识蒸馏提供经过验证的轨迹，将用于解码的计算转化为可复用的训练数据。反复的收集与蒸馏使解码器在代际之间不断改进，并随着噪声变化调整其策略。这些结果推动了一种量子—经典耦合架构，其中包含两个相互作用的循环：快速解码保护量子信息，而较慢的学习则从运行经验中更新模型。长期愿景是一个可扩展的解码器模型工厂，能够生产高性能、低延迟的解码器，并持续使其适应不断演进的量子硬件。
| 学科： | 量子物理（quant-ph）；无序系统与神经网络（cond-mat.dis-nn）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.41398 [quant-ph] |
| （或本版本的 arXiv:2610.41398v1 [quant-ph]） | |
| https://doi.org/10.48550/arXiv.2610.41398 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yi-Zhuang You [查看邮箱]
[v1]
2026年10月30日星期五 08:09:24 UTC（1,356 KB）
来源：arXiv cs.AI · arxiv.org