资源、性能与 benchmarkestimation
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。
- 成熟度
- 核心基础
- 重要度
- 重要主题
- 证据
- 0 篇代表来源
01
范围与辨析
本主题负责从校准、syndrome 或 detector 数据估计 decoder 所需的错误先验、相关性和漂移状态。物理噪声机理研究与 decoder 推断算法本身不在此合并。
02
核心机制与研究判断
核心机制
- edge weights / LLR
- per-gate error model
- correlation estimation
- decoder calibration
- model mismatch detection
适用场景
- 用于生成 edge weights、LLR 或概率模型，并在设备漂移时更新 decoder 参数。
比较维度
- 比较估计偏差、样本效率、相关机制覆盖、更新延迟、稳定性和下游逻辑性能。
至少报告
- 声明数据窗口、估计模型、先验/正则、校准频率、验证集和权重更新时间。
重点风险
- 用同一数据同时拟合并评估容易产生乐观偏差；在线更新还需防止短期噪声触发失稳。
03
全栈位置与直接关系
benchmark/estimation/noise-estimation← flow解码图 / Tanner graph把 checks、qubits、detectors 和错误机制编码成图、因子图、超图或张量网络。→ flow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Matching 系将 detection events 配对或在相关图上求近似最优纠错链。→ 依赖Belief propagation在 Tanner/factor graph 上传递软消息；qLDPC 中需处理短环、简并性和 trapping sets。→ 依赖机器学习 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。← feedback联合优化闭环根据仿真和硬件结果同时调整码、稳定子基、线路、调度、映射、decoder 与逻辑操作。← flow偏置噪声与 bias preservation当 Z 或 X 类错误占主导时，可通过 code、gate 和 decoder 联合利用偏置；综合征线路可能破坏偏置。→ 依赖Analog / soft-information decoder直接利用连续读出置信度、GKP 模 syndrome 或校准概率，而非先硬判决。← 依赖串扰、漂移与校准失配由非目标耦合、共享控制或随时间变化的器件参数造成，并使固定 decoder prior 与实际设备分布失配的噪声。
04
代表证据
当前主题尚未关联可展示的代表论文。