Investigadores han desarrollado un nuevo decodificador basado en redes neuronales para códigos cuánticos concatenados, una estrategia clave para la corrección de errores en computación cuántica. Este método, que utiliza un marco de paso de mensajes neuronales, permite que las "creencias blandas" se propaguen bidireccionalmente entre los niveles de concatenación, mientras que pequeñas redes neuronales aprenden a agregar los mensajes entrantes. Esta aproximación promete mejorar significativamente la tolerancia a fallos en futuros ordenadores cuánticos.

El decodificador fue probado con el código cuántico de Hamming concatenado [[15,7,3]], logrando umbrales de error sustancialmente más altos que los decodificadores bidireccionales de decisión dura (estado del arte). Específicamente, el pseudo-umbral de despolarización casi se duplicó, pasando del 6,5% al 12,3%. Este avance es crucial porque los códigos cuánticos concatenados son fundamentales para construir ordenadores cuánticos tolerantes a fallos, donde los errores inherentes a los cúbits deben ser corregidos de manera eficiente.

Para los códigos de hipercubos múltiples, un decodificador ajustado para errores a nivel de circuito en la corrección de errores basada en teletransportación de Knill logró tasas de fallo de CNOT lógicas más bajas que los decodificadores dedicados. Esto se consiguió utilizando un número fijo de iteraciones de paso de mensajes, en contraste con la búsqueda combinatoria extensiva requerida por otros métodos. Este nuevo marco proporciona una herramienta genérica para explorar el espacio de diseño de códigos concatenados, incluyendo construcciones no-CSS, abriendo camino hacia una tolerancia a fallos de baja sobrecarga.