PyMatching 项目教程

PyMatching 项目教程

PyMatching PyMatching: A Python/C++ library for decoding quantum error correcting codes with minimum-weight perfect matching. 项目地址: https://gitcode.com/gh_mirrors/py/PyMatching

1. 项目介绍

PyMatching 是一个用于解码量子纠错码的 Python/C++ 库，主要使用最小权重完美匹配（Minimum Weight Perfect Matching, MWPM）算法。该库特别适用于解码表面码（Surface Codes），并且可以用于解码多种其他量子纠错码，如子系统码、蜂窝码和二维双曲码。PyMatching 的最新版本（v2）包含了一个新的 Blossom 算法实现，比之前的版本快 100-1000 倍。

2. 项目快速启动

安装

首先，确保你已经安装了 Python 环境。然后，使用 pip 安装 PyMatching：

pip install pymatching --upgrade

使用示例

以下是一个简单的使用示例，展示如何使用 PyMatching 解码一个 Stim 电路生成的错误模型。

import numpy as np
import stim
import pymatching

# 生成一个表面码电路
circuit = stim.Circuit.generated("surface_code:rotated_memory_x", distance=5, rounds=5, after_clifford_depolarization=0.005)

# 生成错误模型
model = circuit.detector_error_model(decompose_errors=True)

# 从错误模型创建匹配对象
matching = pymatching.Matching.from_detector_error_model(model)

# 采样 1000 次
sampler = circuit.compile_detector_sampler()
syndrome, actual_observables = sampler.sample(shots=1000, separate_observables=True)

# 解码并计算错误率
num_errors = 0
for i in range(syndrome.shape[0]):
    predicted_observables = matching.decode(syndrome[i, :])
    num_errors += not np.array_equal(actual_observables[i, :], predicted_observables)

print(num_errors)  # 输出错误数量

3. 应用案例和最佳实践

应用案例

PyMatching 主要用于量子纠错码的解码，特别是在表面码的解码中表现出色。它可以与 Stim 库结合使用，模拟和解码在电路级噪声下的纠错电路。

最佳实践

1. 优化解码速度：使用 PyMatching v2 中的新 Blossom 算法实现，可以显著提高解码速度。
2. 批量解码：使用 matching.decode_batch 方法进行批量解码，比逐个解码更快。
3. 结合 Stim 使用：通过 Stim 生成错误模型，然后使用 PyMatching 进行解码，可以更方便地进行量子纠错码的模拟和解码。

4. 典型生态项目

Stim

Stim 是一个用于生成和模拟量子纠错电路的库，与 PyMatching 结合使用可以实现高效的量子纠错码模拟和解码。

Sinter

Sinter 是一个结合了 Stim 和 PyMatching 的工具，用于并行化蒙特卡洛模拟量子纠错电路。它可以帮助用户快速估计纠错码的阈值。

通过这些生态项目的结合使用，可以构建一个完整的量子纠错码模拟和解码系统，适用于研究和开发量子计算中的纠错技术。

PyMatching PyMatching: A Python/C++ library for decoding quantum error correcting codes with minimum-weight perfect matching. 项目地址: https://gitcode.com/gh_mirrors/py/PyMatching