Correção quântica de erros para o código toroidal usando aprendizado por reforço profundo

Implementamos um algoritmo de correção quântica de erros para erros de bit-flip no código toroidal topológico usando aprendizado por reforço profundo. Uma função Q de valor de ação codifica o valor descontado de mover um defeito para um local vizinho na grade quadrada (a ação) dependendo do conjunto completo de defeitos no toro (a síndrome ou estado). A função Q é representada por uma rede neural convolucional profunda. O uso da invariância translacional no toro permite visualizar cada defeito de uma perspectiva central, o que simplifica significativamente a representação do espaço de estados, independentemente do número de pares de defeitos. O treinamento é realizado utilizando replay de experiências, onde os dados do algoritmo sendo executado são armazenados e usados para a atualização em mini-lotes da rede Q. Encontramos um desempenho que é próximo de, e para baixas taxas de erro assintoticamente equivalente a, aquele alcançado pelo algoritmo de Emparelhamento Perfeito de Mínimo Peso para distâncias de código até d=7. Nossos resultados mostram que é possível para um agente auto-treinado sem supervisão ou algoritmos de suporte encontrar um esquema de decodificação que atua em par com algoritmos feitos à mão, abrindo caminho para futuros decodificadores projetados por máquinas para modelos de erro mais gerais e códigos de correção de erros.