Quantum Syndrome RL Decoder

Decodificador ML (Red Neuronal 3D CNN + RL) para extracción de síndromes ruidosos en computación cuántica.

Arquitectura

Componentes Principales

1. QuantumSyndromeDecoder - Decodificador 3D CNN supervisado

   • Bloques residuales 3D con GroupNorm y GeLU
   • Entrada: Síndromes X/Z (batch, 2, D, D, T)
   • Salida: Predicciones de errores (batch, 4, D, D, T)

2. SynergyExtractor - Extractor de síndrome consciente de ruido

   • Convolución temporal para historia de síndromes
   • Estimación de confianza por medición

3. RLPolicyNetwork - Política RL para decodificación

   • Encoder compartido + cabezales de política/valor
   • Compatible con PPO/REINFORCE

Dataset

Datos sintéticos generados con simulador de frame Pauli:

• Distancias: d=5, 7, 9
• Tasas de error: p=0.01, 0.03, 0.05, 0.08
• ~60,000 muestras totales

Entrenamiento

# Generar datos
python generate_data.py

# Entrenar decodificador supervisado
python train_decoder.py --mode supervised --epochs 50 --channels 128

# Pipeline completo
bash run_pipeline.sh

Referencias

• Chamberland et al. (2025) - Fast and accurate AI-based pre-decoders for surface codes
• Google Quantum AI (2024) - Quantum error correction below the surface code threshold
• Higgott & Gidney (2025) - Sparse Blossom decoder

Enlaces

• Modelo: https://huggingface.co/Samabe1109/quantum-syndrome-rl-decoder

Generated by ML Intern

This model repository was generated by ML Intern, an agent for machine learning research and development on the Hugging Face Hub.

• Try ML Intern: https://smolagents-ml-intern.hf.space
• Source code: https://github.com/huggingface/ml-intern

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Samabe1109/quantum-syndrome-rl-decoder"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

For non-causal architectures, replace AutoModelForCausalLM with the appropriate AutoModel class.