1.基于拓扑量子纠错码的错误信息传输校正方法,其特征在于:包括如下步骤:S1、对量子信息进行初始化处理,编码量子位,建立稳定器形式,对量子位进行拓扑排列;
S2、利用奇偶校验测量对量子信息传输的错误进行检测;
S3、对量子信息传输的错误进行校正;
S4、使用双层卷积神经网络模型对量子信息传输的信息进行解码。
2.根据权利要求1所述的基于拓扑量子纠错码的错误信息传输校正方法,其特征在于:所述S1中,对量子信息进行初始化处理的具体方法包括如下步骤:S1.1、使用相同的三位重复编码对量子位进行编码,并确定代码空间;
S1.2、将单位运算符定义为Pauli运算符,使用Pauli运算符来构建稳定器;
S1.3、将已经编码好的量子位信息分布到具有拓扑性质的LxL方形晶格上,由作用于最邻近的量子位奇偶校验运算符来对代码空间进行错误检测。
3.根据权利要求2所述的基于拓扑量子纠错码的错误信息传输校正方法,其特征在于:所述S1.1中,编码量子位的具体算法流程包括如下:首先使用相同的三位重复编码对量子位进行编码,具体为:其中,因一个单量子位的纯量子比特状态为|ψ>=α|0>+β|1>,因此三量子位的量子比特被编码为:|ψ>L=α|000>+β|111>;
其中,状态|0>L和|1>L为码字基础状态,所有三量子位的量子比特编码状态跨越的状态空间为代码空间。
4.根据权利要求2所述的基于拓扑量子纠错码的错误信息传输校正方法,其特征在于:所述S2中,利用奇偶校验测量对量子信息传输的错误进行检测的具体方法包括如下步骤:S2.1、测量量子比特相对于计算基础的奇偶校验,即等同于测量量子比特上的可观测其中,偶校验位与+1本征值相关,奇校验位与‑1本征值相关;
S2.2、在传输正确信息编码状态的任何一对量子位之间进行奇偶校验测量以得到偶校验;
S2.3、针对信息传输过程中受到的包括但不限于比特翻转错误、相位翻转错误等噪声影响,得到一个或多个‑1的本征值;
S2.4、根据以稳定器发生器的测量结果集为校正子的值判断错误发生位置,X或Z运算符串根据判断错误发生位置生成多个校正链。
5.根据权利要求4所述的基于拓扑量子纠错码的错误信息传输校正方法,其特征在于:所述S3中,对量子信息传输的错误进行校正的具体方法包括:首先,在步骤S2中检测到的发生错误的位置处,解码器可见的仅是校正子,即校正子是逻辑量子位所在区域的不同状态之间映射的逻辑操作,具体由环绕环面的X或Z运算符串给出,并分别对应于逻辑位(比特)翻转和相位翻转操作;
其次,这些校正子形成校正链,利用解码器消除校正子;
进而,若校正链最终形成一个平凡循环,使量子比特返回到原始状态,说明校正成功;
否则,若校正链组成缠绕环面的非平凡循环,则已经消除了错误校正子,但是对应于逻辑位翻转来说改变了量子位的状态,即说明校正错误的任务失败。
6.根据权利要求5所述的基于拓扑量子纠错码的错误信息传输校正方法,其特征在于:所述S4中,对量子信息传输的信息进行解码的具体方法包括如下步骤:S4.1、在对抗网络中使用双层卷积神经网络模型,针对校正子找到效果最佳的最优纠错链;
S4.2、在找到效果最佳的纠错链后,引入双Q算法和RestNet网络来提高纠错成功率和训练速度。
7.根据权利要求6所述的基于拓扑量子纠错码的错误信息传输校正方法,其特征在于:所述S4.1中,的具体方法包括如下步骤:
S4.1.1、以校正子作为主体在状态空间环境中即将执行的下一个动作,并将比特/逻辑位翻转或相位翻转定义为动作值函数;
S4.1.2、将状态空间输入到卷积神经网络,并给出进一步的校正指令;
S4.1.3、经过卷积运算对输出的特征值进行解码,再利用全连接网络进行多层连接,输出多个待纠正的错误链,然后进入双层全连通网络优化最优动作值,两者结合生成最优值动作值函数;
S4.1.4、根据算得的最优动作值,近似地找出的最优纠错链,最后以特征向量的形式输出解码。
8.根据权利要求7所述的基于拓扑量子纠错码的错误信息传输校正方法,其特征在于:所述S4.1.1中,将逻辑位翻转或相位翻转定义为动作值函数的函数表达式为:Qπ(s,a)=E[Ut|St=s,At=a]。
9.根据权利要求7所述的基于拓扑量子纠错码的错误信息传输校正方法,其特征在于:所述S4.1.3中,卷积运算和全连接网络结合生成的最优值动作值函数的函数表达式为:其中,Q(s,a;ω)即为所需得到的对决网络。
10.根据权利要求9所述的基于拓扑量子纠错码的错误信息传输校正方法,其特征在于:所述S4.2中,引入双Q算法的具体算法流程包括如下:首先,采用在双Q学习算法中使用对决网络的方法,双Q学习算法DDQN每次都会从代码空间随机取出一个状态空间,在解码过程中需要处理校正子来得到四元组的形式表示,在选择DDQN算法的动作执行翻转操作后,通过缓冲池随机抽取样本进行强化学习,会出现新的校正子;
再使用SGD最小化真实值和预测值的均方误差;
然后使用双Q算法对校正子进行多次迭代,向DQN反向传播以获得梯度,可以得到更新和优化梯度下降的翻转次数;
其中,在DDQN算法中,预先设置回报率为γ∈(0,1),通过加权平均来更新CNN网络的参数,得到最佳的校正子从而得到最接近所求的纠错链,其算法表达式为:ωnew‑←γ·ωnow++(1‑γ)·ωnow‑。