解码器与经典实时系统decoder
机器学习 Decoder
学习 syndrome history、软读出和设备图到逻辑纠错的映射，重点考察泛化、漂移和实时部署。
- 成熟度
- 核心基础
- 重要度
- 核心主题
- 证据
- 2 篇代表来源
01
主题要点
MLP/CNN/RNN/Transformer
graph neural networks
neural BP / predecoder
reinforcement learning
training distribution shift
FPGA/GPU inference latency
02
全栈位置与直接关系
decoder/decoder/ml-decoder← 分类关联Decoder 选择依据码结构、噪声、精度、吞吐和硬件延迟预算选择算法范式。→ flow错误估计与逻辑类输出物理错误代表元、逻辑类别、置信度或待更新的 Pauli frame。← 兼容窗口化实时输入长时间计算不能等待全部 syndrome 才解码，需要滑动窗口、边界传递与流式处理。← 依赖先验与在线噪声估计解码器权重和 BP 消息依赖错误概率；真实设备需要校准、漂移跟踪与模型更新。← 兼容Surface code二维局域拓扑稳定子码；重复测量局域 X/Z checks，并在时空图上解码 detection events。← 兼容Bivariate bicycle有限长度高率 CSS qLDPC；由两个可交换双变量循环矩阵定义，具有 weight-6 checks、厚度-2连接和低深度 syndrome cycle。
03
代表证据
04