基于PyTorch的合成训练数据可以通过包含@nvidia cuQuantum库和NVIDIA cuStabilizer的框架生成，用于改善Color Code的逻辑错误率。

有用的量子计算机需要容错的逻辑操作。研究人员正在积极探索许多不同的量子纠错（QEC）码来实现这一点，从而改善量子处理单元（QPU）的逻辑错误率（LER）。

这种架构使开发者能够生产针对其特定QPU噪声定制的解码器模型。

阅读完整文章：https://bit.ly/4wjqFuN

NVIDIA Ising解码将Color Code逻辑错误率降低超过300倍

来源：https://developer.nvidia.com/blog/nvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x/ 有用的量子计算机需要容错的逻辑操作。研究人员正在积极探索许多不同的量子纠错（QEC）码来实现这一点，从而改善量子处理单元（QPU）的逻辑错误率（LER）。虽然通过晶格手术（lattice surgery）运行表面码（属于拓扑码家族）的逻辑操作已得到充分理解，但表面码在存储方面具有量子比特效率，但在执行容错逻辑计算方面相对于其他拓扑码来说并不最优。

量子低密度奇偶校验（QLDPC）码是另一种QEC方案，由于码率恒定，存储所需的物理量子比特最少。然而，如何高效地在逻辑层面对QLDPC码执行Clifford和非Clifford门仍不明确。

Color Code是另一种已被充分理解的拓扑码。虽然要达到相同的目标逻辑故障率，Color Code在存储方面需要比表面码更多的物理量子比特，但由于它们能够横向执行所有Clifford门，且其表示的对称性导致更简单的晶格手术操作，因此它们在逻辑门执行方面比表面码更高效。有了快速且准确的解码器，很可能存在参数区域，使得使用Color Code的逻辑比使用表面码的逻辑更高效。

由于解码Color Code比解码表面码困难得多，历史上Color Code因缺乏快速准确的解码器而被搁置，这使用户无法实时利用这些码。

NVIDIA Ising Decoder ColorCode 1 Fast旨在加速并改善Color Code解码器的LER，与最先进的Color Code解码器Chromobius相比，在d=31且物理错误率为0.3%的情况下，可实现超过347.7倍的LER改善和7.3倍的运行时间加速。这样的结果使得Color Code重新成为构建和运行真正有用量子计算机的潜在选择。

以下视频演示了如何训练Ising Decoder ColorCode 1：

视频1。NVIDIA Ising解码训练演示## Ising解码https://developer.nvidia.com/blog/nvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x/#ising_decoding

使用Ising解码训练流水线，QPU构建者、运营者和解码器开发者可以训练专为三角Color Code设计的小型3D卷积神经网络（CNN）AI预解码器。在空间和时间上都能扩展的实时操作有助于改善延迟和LER。这些预解码器通过处理大量局部错误综合征来加速并提高解码器精度。它们还可以扩展到任意码距离，帮助团队部署能够随QPU扩展到晶格手术的量子纠错解码器。

此外，由于它们预测完整的时空修正并且是局部的（因此与输入大小和几何形状无关），它们可以用于在并行的时空分块解码架构中执行晶格手术，这对于在量子算法执行期间实时解码错误至关重要。

用户只需定义其噪声模型、三角Color Code距离和模型深度（越深越准确）。训练架构随后使用NVIDIA cuStabilizer库(https://docs.nvidia.com/cuda/cuquantum/latest/custabilizer/index.html)（位于NVIDIA cuQuantum(https://developer.nvidia.com/cuquantum-sdk)内）和NVIDIA PyTorch(https://catalog.ngc.nvidia.com/orgs/nvidia/containers/pytorch?version=26.03-py3)生成合成训练数据，并训练一个3D CNN来优化解码性能。用户还可以选择更多或更少的层，这会带来运行时间和准确性的权衡。最佳的CNN模型取决于码距离、物理错误率、全局解码器有效性和往返延迟预算。

这可以通过下面概述的大约20行Python代码进行评估。

1. 构建一个距离为5的Color Code存储实验：超密集综合征提取，Si1000电路级噪声，p = 0.3%

circuit = build_color_memory_circuit( distance=5, n_rounds=5, basis="X", p_error=1e-3, noise_model_family="si1000", noise_instruction_semantics="reference", ).stim_circuit

2. 根据电路的探测器错误模型编译Chromobius解码器

dem = circuit.detector_error_model( approximate_disjoint_errors=True, ignore_decomposition_failures=True, ) decoder = chromobius.compile_decoder_for_dem(dem)

3. 采样噪声综合征并解码

dets, obs = circuit.compile_detector_sampler().sample( 100_000, separate_observables=True ) packed = np.packbits(dets.astype(np.uint8), axis=1, bitorder="little") predictions = decoder.predict_obs_flips_from_dets_bit_packed(packed) pred = np.unpackbits(predictions, axis=1, bitorder="little")[:, : circuit.num_observables]

4. 逻辑错误率

ler = np.mean(np.any(pred != obs, axis=1)) print(f"logical error rate: {ler:.2e} ({ler / 5:.2e} per round)")

运行这段代码会打印出约3.6e-03的LER（每轮7.3e-04）。从这里你可以扫描距离和错误率以描绘出阈值曲线code/scripts/color\_code\_threshold\_chromobius\.py在一个命令中进行完整扫描，或者将Ising-Decoder-ColorCode-1预解码器放在Chromobius前面，在最终解码前稀疏化综合征。

精度或速度：选择正确的模型https://developer.nvidia.com/blog/nvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x/#accuracy_or_speed_selecting_the_right_model

Ising Decoder ColorCode 1 Fast具有17层，感受野为13，并在大小为13x13x19的输入体上训练（尽管推理(https://www.nvidia.com/en-us/glossary/ai-inference/)时可以使用任意输入体）。该模型约有2,900,000个参数。由于其规模小，它在GPU上运行高效，但与更大的模型相比，对LER的改进较小。

下面的图1显示了Ising Decoder ColorCode 1可以如何为Chromobius这样的常见开源Color Code解码器增加价值。它展示了给定物理错误率和码距离下部署预解码器模型的理想范围。

NVIDIA Ising Decoder ColorCode模型实现了随码距离的显著改进，在距离13处出现交叉，此时逻辑错误率和端到端运行时间都在改善。在d=31且物理错误率为0.3%时，达到347倍的LER改善和7.3倍的运行时间改善。图1。在NVIDIA DGX GB300上快速运行，Chromobius在NVIDIA Grace Neoverse-V2 CPU上运行

了解更多关于NVIDIA Ising Decoder ColorCode模型(https://research.nvidia.com/publication/2026-07_fast-and-accurate-ai-based-pre-decoders-color-codes)架构的信息，并探索广泛的分析和结果。

开始使用NVIDIA Ising开放资源进行构建https://developer.nvidia.com/blog/nvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x/#start_building_with_nvidia_ising_open_resources

NVIDIA Ising模型系列(https://developer.nvidia.com/ising)是完全开放的。提供了权重、训练架构、数据、基准和配方，以使他方能够修改、部署、训练和微调自己的模型和变体，以适配其特定的QPU。

模型权重https://developer.nvidia.com/blog/nvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x/#model_weights

Ising Decoder ColorCode 1 Fast(https://huggingface.co/nvidia/Ising-Decoder-ColorCode-1-Fast)的完整参数检查点可在Hugging Face上获取。OpenMDW 1.1许可证为QPU构建者和运营者提供了灵活性，使其能够保持数据控制权并部署在任何地方。

训练配方https://developer.nvidia.com/blog/nvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x/#training_recipes

NVIDIA正在发布Ising Decoder ColorCode 1 Fast(https://github.com/NVIDIA/Ising-Decoding)的完整训练流水线，使用户能够利用NVIDIA cuQuantum库、NVIDIA cuStabilizer(https://docs.nvidia.com/cuda/cuquantum/latest/custabilizer/index.html)实时生成合成数据，同时使用PyTorch(https://catalog.ngc.nvidia.com/orgs/nvidia/containers/pytorch?version=26.03-py3)进行训练。这种架构使开发者能够生产针对其特定QPU噪声特征定制的解码器模型。

入门指南https://developer.nvidia.com/blog/nvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x/#get_started

NVIDIA Ising可通过以下资源开始使用：

• Ising Decoding(https://github.com/NVIDIA/Ising-Decoding)训练架构和食谱GitHub，采用Apache 2.0许可证。
• 阅读Color Code模型架构论文(https://research.nvidia.com/publication/2026-07_fast-and-accurate-ai-based-pre-decoders-color-codes)。

关于作者