In order for quantum computers to perform reliable information processing, quantum error correcting codes for detecting and correcting errors in qubits are essential. Among them, topological quantum error correcting codes are attracting attention, and the performance of codes can be improved by using an appropriate decoding algorithm. Recently, various decoding algorithms based on machine learning have been proposed to improve performance and reduce decoding time. In this paper, we propose a decoding algorithm that considers the lattice structure of code using a convolutional neural network. We don't modify or destroy the patterns of the syndrome to detect and correct errors, giving them meaningless new values. In addition, considering the lattice structure, the value of the hyperparameters (number of filters, filter size, etc.) used in the convolutional neural network is set. The simulation result shows that the decoding algorithm proposed in this way is more effective than the conventional decoding algorithms in the code capacity channel and the depolarizing channel.
양자 컴퓨터가 신뢰할 수 있는 정보 처리를 수행하기 위해서는 큐비트의 오류를 판단하고 정정하는 양자 오류정정부호가 필수적이다. 그 중 위상학적 양자 오류정정부호가 주목받고 있으며 적절한 복호 알고리즘을 사용하여 부호의 성능이 향상될 수 있다. 최근에는 성능 향상과 복호 시간을 단축하기 위하여 기계 학습을 기반으로 하는 다양한 복호 알고리즘들이 제안되어왔다. 본 논문에서는 콘볼루션 신경망을 사용하여 부호의 격자 구조를 고려한 복호 알고리즘을 제안한다. 우리는 오류를 판단하고 정정하는 데 사용하는 신드롬에 의미 없는 새로운 값을 부여하면서 신드롬이 가지고 있는 패턴을 변형하거나 파괴하지 않고 그대로 사용한다. 또한 격자 구조를 고려하여 콘볼루션 신경망에 사용하는 초매개변수(필터의 개수, 필터의 크기 등)의 값을 설정한다. 이러한 방식으로 제안하는 복호 알고리즘은 시뮬레이션 결과를 통하여 부호 용량 채널과 디폴라이징 채널에서 기존의 복호 알고리즘보다 성능 개선에 효과적임을 보여준다.
