量子纠错是构建实用量子计算机的核心工程难题。物理量子比特天生脆弱，热噪声、控制误差、串扰——每一种扰动都会在量子态上叠加随机翻转和相位旋转。要在这种噪声环境中运行Shor算法或量子化学模拟，必须将逻辑量子比特编码到大量物理量子比特中，再用解码器实时推断哪些物理比特出了错、出了什么样的错，从而施加纠正。解码器的速度和精度直接决定了一台纠错量子计算机能否在逻辑层面上维持足够低的错误率。
低密度奇偶校验（LDPC）码近年来在量子纠错领域掀起了一股浪潮。与传统的Surface码相比，量子LDPC码能以更少的物理比特数实现同等甚至更高的编码距离，从而大幅降低硬件开销。然而，LDPC码的解码问题远比Surface码棘手：校验矩阵虽然稀疏，但图的结构不再具有平面网格的规整性，常用的最小权重匹配（MWPM）和联合置信传播（BP+OSD）解码器要么性能不足、要么复杂度过高。2025年6月，法国INRIA的Anthony Leverrier与瑞士EPFL的Rüdiger Urbanke在arXiv上发表了一篇论文《Approximating optimal decoding of quantum LDPC codes with narrow frontiers》，提出了一种名为"Frontier解码器"的全新方案，为量子LDPC码的最优近似解码开辟了一条可行路径。
一、问题的精确表述
在量子纠错码的码容量（code-capacity）噪声模型中，每个物理量子比特独立地以概率p发生Pauli错误（X、Y或Z中的某一种）。编码后的量子态经过噪声信道，得到一个受污染的接收字。解码器的任务是：根据伴随子（syndrome）——即校验子测量的输出——推断出最可能的错误模式，或更准确地说，推断出错误属于哪个逻辑陪集（logical coset）。
形式化地说，给定校验矩阵H和观测到的伴随子s，解码器需要计算后验概率：
P(逻辑陪集 = L | 伴随子 = s)
对所有可能的逻辑陪集L求后验概率，选择后验概率最大的那个陪集作为解码输出。这就是所谓的最大后验概率（MAP）解码，它是信息论意义上的最优解码策略。但MAP解码是一个NP-hard问题——对一般的线性码来说，精确计算后验概率需要遍历指数多个候选错误模式。
二、动态规划的精确推理
Frontier解码器的核心思想源于动态规划（dynamic programming）。如果我们按某个固定的顺序逐个处理错误变量（error variables），那么在处理到第k个变量时，所有前k-1个变量的状态可以按照它们产生的"残余伴随子"（residual syndrome）和"逻辑标签"（logical label）来分类。残余伴随子指的是：在已处理的变量取值确定之后，当前伴随子与已处理变量产生的伴随子之间的差值。逻辑标签则记录了已处理变量对逻辑量子比特的翻转状态的累积贡献。
具体来说，假设我们有一个N个变量的解码问题，按顺序x₁, x₂, ..., x_N逐个处理。在第k步，我们维护一个"前缀列表"（prefix list），其中每个条目是一个三元组：
- 残余伴随子r_k：当前伴随子减去已处理变量的贡献后的剩余部分
- 逻辑标签ℓ_k：已处理变量对逻辑子空间的累积翻转
- 累积对数似然比（LLR）分数w_k：该前缀路径的概率权重
当处理第k+1个变量x_{k+1}时，每个现有前缀根据x_{k+1}的取值（0或1，对Pauli通道来说）分裂为两个新前缀，各自更新残余伴随子、逻辑标签和累积分数。处理完所有N个变量后，残余伴随子必须为零（否则该路径与观测伴随子矛盾），将所有残余伴随子为零的前缀按逻辑标签分组求和，即得各逻辑陪集的后验概率。
这就是"精确有序推理"（exact ordered inference）。它的正确性是严格的：在没有剪枝的条件下，它等价于对所有2^N个候选错误模式的穷举搜索，但通过动态规划的合并操作，它避免了大量重复计算。问题在于：即使经过合并，前缀列表的大小仍然可能随已处理变量数指数增长。对于典型的量子LDPC码，残余伴随子的可能取值数是一个关于码参数的指数函数，直接运行精确推理是不可行的。
三、窄前沿剪枝策略
Frontier解码器的精髓在于"剪枝"（pruning）：在每一步处理完一个变量后，不保留所有前缀，而是只保留得分最高的前缀，维持一个大小恒定的"窄前沿"（narrow frontier）。具体做法是：
- 按某个顺序处理错误变量
- 每处理一个变量，将现有前缀分裂并更新
- 将更新后的前缀按残余伴随子和逻辑标签合并（相同残余伴随子+逻辑标签的前缀合并为一个）
- 如果合并后的前缀数量超过预算W（前沿宽度），只保留分数最高的W个
- 继续处理下一个变量
这种剪枝策略的物理直觉是：在大多数实际噪声场景中，真正"有意义"的前缀（即后验概率不可忽略的那些）只占整个前缀空间的一小部分。低概率的前缀——即那些累积了太多不太可能的错误假设的路径——可以安全地丢弃，而不会显著影响最终的解码质量。这就像在搜索一棵巨大的树时，只沿着最有前途的几条分支向下探索，而不去管那些明显走不通的死路。
作者对这个剪枝过程的分析非常精妙。他们证明了一个关键定理：当前沿宽度W为常数时，Frontier解码器的时间复杂度为O(N)，即关于码长线性。这个结果之所以成立，是因为每一步处理一个变量时，操作数量正比于当前前沿宽度W，而W被固定为常数，总共N步，因此总操作数为O(N)。空间复杂度同样是O(N)——需要存储N个变量的校验矩阵和前沿列表。
四、变量处理顺序的优化
一个看似微小但影响深远的设计选择是：变量的处理顺序。在标准的belief propagation（BP）中，消息沿着因子图的边双向传递，所有变量同时更新；而Frontier解码器采用的是严格的有序处理，一个变量接一个变量。这就提出了一个问题：先处理哪些变量、后处理哪些变量，对剪枝的效率有多大影响？
论文中的分析表明，处理顺序对前沿宽度的需求有实质性影响。直觉上，如果先处理那些"信息量大"的变量——即那些一旦确定就能大幅缩小残余伴随子空间的变量——那么在处理后续变量时，前缀列表的多样性就会降低，剪枝就更容易进行。反之，如果先处理那些"信息量小"的变量，前缀列表会在早期就膨胀到很大的宽度，剪枝就会丢弃很多有价值的路径。
作者探索了几种启发式的排序策略，包括基于变量度数的排序（先处理连接到更多校验节点的变量）、基于变量可靠性的排序（先处理信道可靠性最高的变量，即信道LLR绝对值最大的变量）等。实验结果表明，信道可靠性排序在大多数测试场景中表现最佳，但不同排序之间的性能差距并不巨大——这说明Frontier解码器对排序选择有一定的鲁棒性。
五、码容量噪声模型下的阈值测试
量子纠错码的解码器性能通常通过"阈值"（threshold）来衡量。阈值的物理意义是：当物理错误率p低于阈值p_th时，通过增大码的规模（增加编码距离），逻辑错误率可以被任意压低；当p超过p_th时，增大码规模不再有帮助。阈值越高，解码器就越优秀。
作者在码容量噪声模型下对两种重要的量子纠错码测试了Frontier解码器的阈值性能：
5.1 Surface码
Surface码是当前量子计算硬件中最受青睐的纠错码方案。它的结构简单（二维网格上的拓扑码），具有自然的局域性，适合在超导量子比特或离子阱平台上实现。Surface码的最优解码阈值在码容量噪声下约为10.9%（对应独立X/Z噪声通道）。作者报告Frontier解码器在Surface码上达到了接近最优的阈值，与最小权重完美匹配（MWPM）解码器相当，但Frontier解码器的优势在于它不需要依赖图匹配的特定结构，可以推广到更一般的码。
5.2 Color码
Color码是另一类重要的拓扑量子码。与Surface码不同，Color码可以直接实现所有Clifford门的横向门操作（transversal gates），这在量子计算的容错实现中是一个巨大的优势。但Color码的解码比Surface码更困难，因为它的校验矩阵结构更复杂。作者测试了Color码在码容量噪声下的解码性能，发现Frontier解码器同样能够达到接近最优的阈值。这表明Frontier解码器的适用范围不限于特定的码族。
六、电路级噪声模型下的表现
码容量噪声模型是一个高度理想化的假设——它假设每个物理量子比特独立地以相同概率发生错误，忽略了量子门操作中的噪声、测量过程中的错误、以及量子比特之间的相关噪声。实际的量子硬件面对的是"电路级噪声模型"（circuit-level noise model），其中每个量子门（包括单比特门、两比特门、状态制备和测量）都有自己的错误率，且错误之间可以有时间相关性。
电路级噪声下的解码问题远比码容量噪声复杂。伴随子不再是一个简单的二进制向量，而是一个在时间和空间上都有结构的复杂数据。对量子LDPC码来说，电路级噪声下的解码尤其困难，因为校验子测量电路本身会引入额外的错误传播路径。
作者在电路级噪声模型下测试了Frontier解码器，使用的是一个具体的量子LDPC码实例——Gross码[[144,12,12]]。这个码由Gross在2021年提出，具有144个物理量子比特、12个逻辑量子比特、编码距离12。它是一个"中等规模"的量子LDPC码，足以展示解码器的实际性能，同时不会让计算量过大到无法处理。
测试结果令人印象深刻：在物理错误率p = 0.001的条件下，Frontier解码器的平均保留列表大小不到100。这意味着在绝大多数解码步骤中，前沿宽度只需要不到100个前缀就能准确逼近最优后验概率。考虑到Gross码有144个物理量子比特，对应的错误变量数远超144（因为电路级噪声中每个量子门周期都会产生新的错误变量），能够用不到100的前沿宽度处理如此规模的问题，说明Frontier解码器的剪枝效率极高。
七、与现有解码器的对比
量子纠错领域已经有了多种解码方案，Frontier解码器与它们的异同值得仔细比较。
7.1 最小权重完美匹配（MWPM）
MWPM是Surface码的标准解码器。它将伴随子中的激发点（syndrome defects）两两配对，找到总权重最小的匹配方案。MWPM的时间复杂度为O(n³)（n为激发点数量），但在Surface码的特殊结构下可以优化到接近线性。MWPM的问题是：它只利用了伴随子的局部信息，没有充分利用先验概率分布的全部结构。此外，MWPM的推广到非拓扑码并不自然——对一般的量子LD码，伴随子图可能不是平面图，匹配的权重计算变得复杂。
7.2 置信传播（BP）及其变体
置信传播是因子图上的消息传递算法，是LDPC码解码的经典工具。BP在稀疏图上运行高效（每轮迭代的时间复杂度与边数成正比），但它有两个根本性缺陷：第一，量子LDPC码的因子图中存在大量短环（short cycles），这会导致BP的消息传递产生相关性错误，使得后验概率估计不准确；第二，BP输出的是逐比特的边际后验概率，而不是逻辑陪集的后验概率，因此需要额外的后处理步骤（如ordered statistics decoding, OSD）来将逐比特估计转化为逻辑陪集估计。
Frontier解码器与BP的根本区别在于：它不做逐比特的独立估计，而是直接计算逻辑陪集的后验概率。通过动态规划的结构，Frontier解码器自然地处理了变量之间的相关性——这些相关性被编码在残余伴随子的演化中。当然，Frontier解码器的剪枝会引入近似误差，但作者的实验表明，这种近似误差在实际参数范围内是可控的。
7.3 统计力学方法与理论界限
近年来，一些研究者尝试用统计力学的工具（如replica method和cavity method）来分析量子LDPC码的解码极限。这些方法可以给出解码阈值的理论估计，但通常不能直接转化为实用的解码算法。Frontier解码器的价值在于：它既具有理论上的可分析性（剪枝过程的误差可以量化），又是一个可以直接实现的算法。论文作者公开了Frontier解码器的实现代码，供社区使用和验证。
八、复杂度分析的深层含义
Frontier解码器在常数前沿宽度下具有线性复杂度O(N)这一事实，需要放在更大的背景下来理解。
首先，"线性复杂度"是关于码长N的线性，不是关于其他参数的线性。前沿宽度W虽然是常数，但这个常数的大小取决于码的具体结构、噪声水平、以及可接受的近似误差。在噪声很高或码的结构很复杂的情况下，可能需要更大的W来维持解码精度，此时实际的运行时间会随W增长。
其次，线性复杂度意味着Frontier解码器具有"流式"处理的特性：变量一个接一个地进入解码器，每一步只维护一个固定大小的前沿列表。这与量子纠错系统的实时要求非常匹配——在实际的量子计算机中，伴随子数据是逐轮产生的，解码器需要尽快处理每一轮的新数据，给出纠错操作的建议。Frontier解码器的流式特性使其天然适合这种在线解码场景。
第三，线性复杂度暗示了硬件实现的可能性。如果前沿宽度足够小（比如论文中报告的不到100），那么整个解码过程可以在FPGA或专用ASIC上用固定数量的并行处理单元来实现。每一步的"分裂-合并-剪枝"操作可以流水线化，实现极低的解码延迟。这对超导量子比特来说尤其重要，因为超导量子比特的相干时间通常只有几十到几百微秒，解码器必须在这个时间窗口内完成计算。
九、剪枝误差的理论保证
一个自然的问题是：剪枝丢弃低概率前缀，会不会导致解码器犯系统性错误？论文对此给出了部分的理论分析。
作者指出，Frontier解码器可以被理解为对精确有序推理的一种"有损压缩"。在每一步剪枝时，被丢弃的前缀的概率之和构成了一个可以计算的"损失"。如果这个损失在整个解码过程中始终很小（相对于保留前缀的概率之和），那么剪枝近似就是准确的。
更精确地说，作者定义了一个"前沿质量"（frontier quality）指标，衡量当前前沿中保留的前缀覆盖了多少比例的后验概率质量。当前沿宽度W足够大时，前沿质量趋近于1，Frontier解码器的输出就趋近于精确MAP解码的结果。论文中的实验数据验证了这一点：在测试的所有码和噪声参数组合中，只要前沿宽度不为极端小值（比如W=1），Frontier解码器的性能就非常接近精确MAP解码。
这种理论保证在量子纠错解码器中是少见的。大多数启发式解码器（如BP+OSD）的性能是通过实验验证的，缺乏严格的近似误差分析。Frontier解码器的可分析性是它的一个独特优势。
十、对量子LDPC码实用化的启示
量子LDPC码被视为下一代量子纠错码的主要候选方案，但其实际应用一直受制于解码问题。Surface码有高效的MWPM解码器，而量子LDPC码长期缺乏一个既有足够高性能、又有合理复杂度的解码方案。Frontier解码器的出现在很大程度上填补了这个空白。
从硬件实现的角度看，Frontier解码器的线性复杂度和流式处理特性使其成为FPGA实现的理想候选。一个简单的实现方案是：用一块FPGA维护当前的前沿列表（大小为W），每收到一个新的伴随子数据块，就执行一步"分裂-合并-剪枝"操作，输出当前的最优逻辑陪集估计。整个流水线的延迟只取决于前沿列表的大小和单步操作的逻辑深度，与码长无关（当然，完整解码的吞吐量与码长成正比）。
从码设计的角度看，Frontier解码器的性能对码的结构有一定的要求。具体来说，变量的处理顺序和前沿宽度的需求取决于码的Tanner图结构。如果一个量子LDPC码的Tanner图具有很好的"树状分解"性质（即可以通过少量的分隔节点将图分解为相互独立的子图），那么Frontier解码器就可以用很小的前沿宽度达到很高的精度。这为码设计提供了一个新的优化目标：不仅要优化码的距离和率，还要优化码对Frontier解码的友好性。
十一、与经典LDPC码解码的渊源
Frontier解码器的思想可以追溯到经典通信理论中的"列表译码"（list decoding）和"堆叠译码"（stack decoding）。在经典LDPC码的解码中，Viterbi算法和BCJR算法都是基于动态规划的精确推理算法，但它们通常用于卷积码或trellis表示的分组码，对一般的LDPC码并不直接适用。
Frontier解码器的创新在于：它将动态规划的思想从trellis（网格图）推广到了任意的因子图结构。在trellis上，每一步的状态空间大小是固定的（由trellis的宽度决定），因此精确推理本身就是高效的；而在一般的因子图上，状态空间（即残余伴随子的可能取值数）是指数大的，因此必须借助剪枝来控制复杂度。
另一个有趣的思想来源是sequential decoding（序贯译码），这是经典信息论中用于长约束卷积码的一种解码方法。序贯译码也维护一个有限大小的候选列表，按照累积路径度量排序，优先探索最有前途的路径。Frontier解码器可以被看作序贯译码在量子LDPC码解码中的一个现代变体，但它的剪枝策略更加系统化——不是简单地丢弃低分路径，而是在每一步都进行严格的合并和截断操作。
十二、开放问题与未来方向
尽管Frontier解码器在论文中展示了出色的性能，但仍有几个重要的开放问题值得探索。
最优排序策略：论文中测试了几种启发式排序策略，但未证明哪种策略是最优的。是否存在一种多项式时间算法，能够为给定的码和噪声参数计算出使前沿宽度需求最小化的最优变量处理顺序？这是一个有趣的组合优化问题，可能与图的树分解（tree decomposition）和路径宽度（pathwidth）等概念有关。
自适应前沿宽度：当前的Frontier解码器使用固定的前沿宽度W，但实际需求中，不同解码步骤可能需要不同的前沿宽度。在伴随子变化剧烈的步骤（即残余伴随子空间快速膨胀的步骤），可能需要更大的前沿宽度来维持精度；而在伴随子变化平缓的步骤，很小的前沿宽度就足够了。设计一个自适应的前沿宽度调节策略，可以在不增加平均前沿宽度的情况下提高解码精度。
与其他解码器的级联：Frontier解码器可以与BP或OSD等其他解码器级联使用。例如，先用BP得到一个粗略的逐比特估计，然后用Frontier解码器在BP输出的局部区域内进行精搜索。这种级联方案可能比单独使用任何一种解码器都更有效。
扩展到电路级噪声的完整处理：论文中对电路级噪声的测试使用了特定的Gross码，但对更一般的量子LDPC码在电路级噪声下的表现还需要进一步研究。特别是，当码的规模增大时，电路级噪声中的错误传播路径会变得更加复杂，Frontier解码器是否仍然能够保持小的前沿宽度需求，是一个需要实证检验的问题。
量子内存与解码器的协同设计：Frontier解码器的流式特性使其可以与量子内存系统进行紧密的协同设计。在超导量子计算中，伴随子数据通常存储在经典的FIFO缓冲区中，解码器从缓冲区读取数据并输出纠错指令。如果缓冲区溢出（即解码器的速度跟不上伴随子的产生速度），量子计算就必须暂停或丢弃数据。Frontier解码器的线性复杂度使得它更容易满足实时性要求，从而减少缓冲区溢出的风险。
十三、论文的技术贡献总结
这篇论文的技术贡献可以从三个层面来概括：
在算法层面，Frontier解码器提出了一种将动态规划与前沿剪枝相结合的通用解码框架，适用于任何稀疏的量子解码问题。这个框架的表达力很强——它不依赖于码的特定结构（如平面性或循环性），只要码的校验矩阵是稀疏的，就可以应用。
在理论层面，论文分析了Frontier解码器的复杂度和近似误差，证明了常数前沿宽度下的线性复杂度，并给出了前沿质量的量化指标。这些分析为理解剪枝策略的有效性提供了理论基础。
在实验层面，论文在Surface码、Color码和Gross码[[144,12,12]]上测试了Frontier解码器的性能，展示了接近最优的阈值和极小的平均前沿宽度。这些结果表明，Frontier解码器不仅在理论上是有吸引力的，在实践中也是可行的。
十四、对量子计算产业的影响
量子计算正处于从实验室演示向工程化产品过渡的关键阶段。在这个阶段，解码器的性能和复杂度是决定量子计算机能否实现"低于阈值"运行的关键因素之一。Google、IBM、Microsoft等科技巨头都在积极研发量子LDPC码的硬件实现方案，而解码器是这些方案中最薄弱的环节之一。
Frontier解码器的出现为这个环节提供了一个有希望的解决方案。它的线性复杂度使得FPGA实现变得可行，它的近似最优性能使得量子LDPC码的理论优势能够在实践中兑现，它的通用性使得同一套解码架构可以适配不同的码族和噪声模型。如果后续的实验验证和工程优化能够证实论文中的结果，Frontier解码器很可能成为下一代量子纠错系统的标准解码方案之一。
当然，从论文到产品的距离通常比学术界预期的要远得多。Frontier解码器在FPGA上的实际性能、在真实量子硬件上的解码效果、以及在大规模系统中的可扩展性，都需要进一步的验证。但作为一个新的解码范式，Frontier解码器已经为量子LDPC码的实用化铺平了一条值得认真探索的道路。
十五、技术细节补充：残余伴随子的数学结构
为了让有数学背景的读者更深入地理解Frontier解码器的工作原理，这里补充一些关于残余伴随子空间的技术细节。
设量子LDPC码的校验矩阵为H ∈ F₂^{m×n}，其中m是校验子数量，n是物理比特数（也是错误变量数）。给定伴随子s ∈ F₂^m，我们要计算后验概率：
P(x|s) ∝ P(s|x) · P(x) = [Hx = s] · ∏ᵢ pᵢ(xᵢ)
其中pᵢ(xᵢ)是第i个变量取值为xᵢ的先验概率。MAP解码就是求argmax_x P(x|s)在逻辑陪集上的等价类。
在Frontier解码器中，将变量按顺序σ(1), σ(2), ..., σ(n)处理。在第k步，残余伴随子的演化方程为：
r_k = s - Σⱼ₌₁ᵏ x_{σ(j)} · h_{σ(j)}
其中h_j是校验矩阵H的第j列。残余伴随子r_k属于F₂^m，因此理论上有2^m种可能的取值。但关键的观察是：在实际的稀疏码中，m通常与n同阶，且大多数残余伴随子的取值对应着极低概率的路径，可以安全丢弃。
逻辑标签ℓ_k的演化类似。如果码有k个逻辑量子比特，那么逻辑标签属于F₂^k。ℓ_k记录了前k个变量对逻辑算子的累积作用。最终的解码输出是：在所有残余伴随子为零的路径中，找到逻辑标签的后验概率分布，选择后验概率最大的逻辑标签。
合并操作是Frontier解码器效率的关键。当两个前缀具有相同的残余伴随子和逻辑标签时，它们对应的错误模式在当前观测下是等价的（至少从已处理变量的角度来看），因此可以合并为一个前缀，保留概率较大的那个（或保留所有概率之和）。这个合并操作极大地压缩了前缀列表的实际大小，是Frontier解码器能够在远小于2^m的前沿宽度下工作的根本原因。
十六、实现细节与工程考量
论文作者公开了Frontier解码器的实现代码，这使得学术界和工业界都可以验证和扩展这个解码器。从实现的角度看，有几个值得注意的工程细节。
首先是数据结构的选择。前沿列表中的每个前缀需要存储残余伴随子（一个m-bit的向量）、逻辑标签（一个k-bit的向量）和分数（一个浮点数）。当前沿宽度为W时，总共需要存储W个这样的三元组。在实际实现中，残余伴随子可以用位向量（bit vector）来紧凑表示，分数可以用定点数代替浮点数以减少计算开销。
其次是合并操作的实现。合并两个具有相同残余伴随子和逻辑标签的前缀，需要一个高效的查找表（hash map或trie）来快速判断两个前缀是否"等价"。在前沿宽度不大时，简单的线性搜索可能就够了；但当前沿宽度增大时，基于哈希的查找会更高效。
第三是排序操作。每一步剪枝前，需要将所有前缀按分数排序，保留前W个。排序的时间复杂度为O(M log M)，其中M是合并后的前缀数量。当M远大于W时，可以使用部分排序算法（如快速选择或堆）来在O(M)时间内找到前W个最大的元素。
最后是并行化潜力。虽然Frontier解码器的主循环是串行的（每一步依赖前一步的输出），但每一步内部的分裂和合并操作可以并行化。如果有P个处理器，可以将前沿列表均匀分配给P个处理器，每个处理器独立地执行分裂和部分合并，然后通过一次全局通信交换结果。这种并行化方案可以将每步的处理时间从O(W)降低到O(W/P)，但总时间仍然是O(N·W/P)。
参考文献
[1] A. Leverrier and R. Urbanke, "Approximating optimal decoding of quantum LDPC codes with narrow frontiers," arXiv:2606.20513, June 2025.
[2] A. Leverrier, J.-P. Tillich, and G. Zémor, "Quantum expander codes," FOCS 2015.
[3] P. Panteleev and G. Kalachev, "Degenerate quantum LDPC codes with good finite length performance," Quantum, vol. 5, p. 585, 2021.
[4] S. Bravyi et al., "High-threshold and low-overhead fault-tolerant quantum memory," Nature, 2024.
[5] D. Gottesman, "Fault-tolerant quantum computation with higher-dimensional systems," Chaos, Solitons & Fractals, vol. 10, pp. 1749-1758, 1999.
[6] E. Dennis, A. Kitaev, A. Landahl, and J. Preskill, "Topological quantum memory," J. Math. Phys., vol. 43, pp. 4452-4505, 2002.
[7] A. Cross, G. Smith, J. Smolin, and H. Zeng, "Codeword stabilized quantum codes," IEEE Trans. Inf. Theory, vol. 55, no. 1, pp. 433-438, 2009.
评论