→ Quantum Technology Atlasטכנולוגיות · מכונות · ארכיטקטורות · ארגוניםEnglishРусский

MWPM / Sparse Blossom (+זיווג מתואם) dec_mwpm

מפענח זיווג בגרף, ההופך את היסטוריית הסינדרומים — אירועי הגילוי לאורך הסבבים — לשרשרת השגיאות הסבירה ביותר; נקודת הייחוס לדיוק, והמפענח בזמן אמת שכבר מסופק בפועל לקודי המשטח.

MWPM / Sparse Blossom (+זיווג מתואם)

dec_mwpm · שכבה 8 מפענח · הודגם · מאז 2015

מפענח זיווג; < 1 µs לסבב ב-d=17 על ליבה אחת (תפוקה), השהיית FPGA של 0.8 µs ב-d=13 (Micro Blossom); Λ=2.04 ב-Willow לעומת 2.14 במפענח מבוסס רשת עצבית.

תקציר ←

מקורות מרכזיים

[650] E. Dennis, A. Kitaev, A. Landahl, and J. Preskill, “Topological quantum memory,” Journal o… · 2002
[725] A. G. Fowler, “Minimum weight perfect matching of fault-tolerant topological quantum error… · 2015
[726] O. Higgott and C. Gidney, “Sparse Blossom: correcting a million errors per core second wit… · 2025
[1] Google Quantum AI and Collaborators, “Quantum error correction below the surface code thre… · 2024
[727] Y. Wu, N. Liyanage, and L. Zhong, “Micro Blossom: Accelerated Minimum-Weight Perfect Match… · 2025

מרחב התכן — תכונות

(a) זיקת הנושא
ביניים / בלתי תלוי בנושא
(b) זמן · שזירה
—
(c) קריאה
—
(d) ניידות
—
(e) בקרה
—
(f) מבנה השגיאה
פאולי סטוכסטית
(g) ייצור
—

מרחב ההערכה — תכונות מתוארכות

PyMatching v2 throughput → < 1 µs/round at d=17, p=0.1%
מגדירה: שעון (זמן מחזור) · 2023-03 · מקור
Micro Blossom FPGA (ASPLOS 2025) → 0.8 µs average latency at d=13, p=0.1%
מגדירה: שעון (זמן מחזור) · 2025-02 · מקור

הנתון שפורסם עבור Micro Blossom הוא 0.8 µs ב-d=13 (ASPLOS 2025, arXiv:2502.14787); ה-367 ns שבמאגר הקוד אינו מופיע בשום מאמר. המפענח בזמן אמת של Willow הוא גרסה ממוקבלת של Sparse Blossom שבנתה Google, לא PyMatching המקורי.

רשומות סטנדרטיות

השהיית פענוח לסבב → 1.0 µs · טיפוסי
PyMatching v2 / sparse blossom: 'less than one microsecond per round of syndrome extraction on a single core', d=17, p=0.1% · 2023-03 · מקור [D] ⓘ
השהיית פענוח לסבב → 800 ns · הטוב ביותר
Micro Blossom FPGA: 'average decoding latency of 0.8 us at a moderate clock frequency of 62 MHz', d=13, p=0.1% · 2025-02 · מקור [D] ⓘ

שחקנים ויעדים — ביאורים

מערך מלקחיים אופטיים לאטומי רידברג — אלקליים (Rb/Cs) (חלופית) — Harvard/MIT, QuEra (Gemini), Pasqal (Orion), Infleqtion, Google (2026; species not stated) · G1 G3 G7
פוטוניקה של משתנה רציף — GKP (חלופית) — Xanadu (Aurora) · G4 G6

קשתות

דורשת: קוד המשטח המסובב (+ גרסאות רתומות)°·, שרשור בוזוני (חזרה-חתול, LDPC-חתול, GKP+qLDPC)°·, סבילות לתקלות מבוססת-היתוך°·, קודים מותאמי-מחיקה°·
נחוצה עבור: כיול RL בלולאה / היגוי הבקרה·, קודים מותאמי-מחיקה°
חלופות: מפענחים מבוססי רשתות עצביות (AlphaQubit 2, CNN, טרנספורמרים), Relay-BP ל-qLDPC (FPGA)
מתנגשת עם:
קוד הצבע (שערי קליפורד טרנסוורסליים) הוצגה הפחתה בקנה מידה קטן
סינדרומים של קוד הצבע מכילים אירועים תלת-גופיים (היפר-קשתות) שזיווג בזוגות אינו יכול לפענח
מחיר בדיקות ממשקל 6 מפיקות אירועי גילוי המופיעים בשלשות; מפענח זיווג פשוט אינו ישים, והמפענחים הישימים (restriction, Möbius, Chromobius) מאבדים דיוק — זיכרון קוד הצבע d=5 של Google הגיע ל-8.19(14)×10⁻³ למחזור עם מפענח החיפוש Tesseract, גרוע מקוד המשטח d=5 שלה
הפחתה מפענחים המסוגלים לטפל בהיפר-קשתות: Chromobius / מפענחי restriction, Tesseract (חיפוש), מפענחים מבוססי רשתות עצביות; מעגלים עם קיוביט עזר יחיד ללא שגיאות וו (2026) מפחיתים את עומס ההיפר-קשתות · 2026-07
קודי qLDPC לא-מקומיים (bivariate bicycle, "gross") נעקפת בבחירת טכנולוגיה אחרת במקום אחת משתיהן
תקלה אחת בקוד bivariate-bicycle הופכת שלוש בדיקות (היפר-קשתות); זיווג בזוגות אינו יכול לפענח אותה
מחיר אף מפענח זיווג לא הריץ קוד bivariate-bicycle: לגרף הסינדרום יש היפר-קשתות, ולכן המפענחים המריצים אותו הם BP-OSD (לא מקוון) ו-Relay-BP (זמן אמת, FPGA)
הפחתה Relay-BP (dec_relaybp) או BP-OSD; הזיווג נשאר לקודים דמויי-משטח · 2025-06
° אחת מכמה שהיו מתאימות · הדרך המקובלת, לא דרישה מחייבת

בשימוש: 15 מכונות (11 ראשית · 4 חלופית)

↗ כרטיס המרשם שלה · מאמר / מוצר / עיתונות: קישורים שבהם המכונה נזכרת בשמה (הייחוס נבדק ב-20 בספטמבר 2026)

תמונות

כל תמונה מלווה בתיאור של מה שהיא מראה ובשורת הקרדיט שלה.

Fig. 4 — Figure 4: The main events that change the structure of alternating trees. For clarity, the background detector graph has been omitted. Each node cor…
A drawing in seven panels showing how a minimum-weight perfect matching decoder evolves: coloured discs are growing regions around detection events, which form alternating trees, collide, form and shatter 'blossoms', and match to the boundary. It is Figure 4 of the arXiv paper 'Sparse Blossom: correcting a million errors per core second with minimum-weight matching' by Oscar Higgott and Craig Gidney. Sparse Blossom is a fast matching decoder for quantum error correction; notice the before/after arrow in each panel, one per algorithm event. “Fig. 4 — Figure 4: The main events that change the structure of alternating trees. For clarity, the background detector graph has been omitted. Each node corresponds to…” by Oscar Higgott, Craig Gidney, arxiv.org/abs/2303.15933, CC BY 4.0 (creativecommons.org/licenses/by/4.0/)
Fig. 2 — Fig. 2: Characterization of the lattice-split operation executed on the state \({| 0 }_{{}}\).a, Expectation values of the repetition-code logica
Two-panel paper figure: a bar chart of the sixteen two-qubit logical Pauli expectation values after splitting one repetition-code logical qubit into two, shown raw, after minimum-weight perfect-matching decoding and after discarding runs with flagged syndromes (fidelity 0.38, 0.55 and 0.78), and the matching graph extracted from the experiment for four Z stabilisers over six cycles. From a 2026 Nature Physics paper by Ilya Besedin, Andreas Wallraff and co-authors on lattice surgery with superconducting qubits. It shows how a matching decoder turns syndrome flips into corrections and what decoding and postselection each recover. “Fig. 2 — Fig. 2: Characterization of the lattice-split operation executed on the state \({| 0 }_{{}}\).a, Expectation values of the repetition-code…” by Besedin et al., www.nature.com/articles/s41567-025-03090-6, CC BY 4.0 (creativecommons.org/licenses/by/4.0/)
Fig. 4 — Figure 4: Scalable decoding of long-range order. Decoded ⟨M^2⟩ for L=6L=6–6464 is plotted along the diagonal tA=tB=tt=t=t. The
A simulated data plot, not hardware: the decoded long-range order parameter versus measurement strength for three decoders (a hybrid convolutional neural network, SW-MWPM and plain minimum-weight perfect matching), for system sizes 6 to 64, with a strip marking each decoder's threshold. From the arXiv paper "Optimal Decoding for Measurement-Based GHZ State Preparation: The Maximum-Utility Decoder" by Misha Yutushui, Theo Haas and Simon Trebst. It shows how the classical decoder choice changes how much entanglement is recovered; per the caption, SW-MWPM nearly reaches the entanglement bound. “Fig. 4 — Figure 4: Scalable decoding of long-range order. Decoded ⟨M^2⟩ for L=6L=6–6464 is plotted along the diagonal tA=tB=tt=t=t. The…” by Misha Yutushui, Theo Haas, Simon Trebst, arxiv.org/abs/2608.00160, CC BY 4.0 (creativecommons.org/licenses/by/4.0/)
dec_mwpm · layer 8 מפענח · centrality 12.7 · demonstrated · since 2015 · updated 2026-09-30

MWPM / Sparse Blossom (+זיווג מתואם)

מפענח זיווג בגרף, ההופך את היסטוריית הסינדרומים — אירועי הגילוי לאורך הסבבים — לשרשרת השגיאות הסבירה ביותר; נקודת הייחוס לדיוק, והמפענח בזמן אמת שכבר מסופק בפועל לקודי המשטח.

Verdict. הזיווג נשאר ברירת המחדל של קוד המשטח לאורך 2026 — גם הריצה של Google עצמה מתחת לסף מפוענחת ב-Sparse Blossom. להוריד בדרגה אם עד סוף 2027 מבחן בזמן אמת על החומרה עצמה, על אותם סינדרומים, יראה מפענח שאינו מבוסס זיווג גובר עליו בדיוק ובהשהיה גם יחד.

Key references

Λ = מקדם דיכוי השגיאות לכל צעד במרחק הקוד; QBI = DARPA Quantum Benchmarking Initiative (שלב A — רעיון → B — תוכנית מו״פ → C — אימות ותיקוף (V&V) ממשלתיים); G1–G7 = מחלקות היעדים של הדוח (ראו "שחקנים וכלכלה").

זהות ומוצא

MWPM (זיווג מושלם במשקל מינימלי, minimum-weight perfect matching) הופך כל אירוע גילוי (בדיקה שתוצאתה השתנתה בין סבבים) לקודקוד בגרף משוקלל שקשתותיו הן השגיאות המהפכות שני גלאים; הזיווג בעל המשקל הנמוך ביותר המסביר את הקבוצה כולה הוא שרשרת השגיאות הבודדת הסבירה ביותר תחת שגיאות בלתי תלויות — ולא פענוח הסבירות המרבית, הסוכם על כל השרשראות שבמחלקה, ושאותו מקרבים מפענחי רשתות הטנזורים והמפענחים מבוססי התפשטות האמונה (belief propagation, BP). Dennis, Kitaev, Landahl ו-Preskill הציגו אותו (2002) D[650]; Fowler הראה ב-2015 שמתחת לסף אפשר לפתור אותו במדויק בזמן מקבילי ממוצע של O(1) לסבב — על מערך דו-ממדי של מעבדים קלאסיים, שכל אחד מהם משרת מספר קבוע של קיוביטים — ללא תלות בגודל הסריג D[725]. זיווג מתואם משקלל מחדש את הקשתות כך ששגיאת Y אינה נספרת פעמיים. המנוע הוא Sparse Blossom של Higgott ו-Gidney (Quantum 9, 1600, 2025-01-20) D[726], ניסוח מחדש דליל של אלגוריתם ה-blossom של Edmonds מ-1965, המופץ כ-PyMatching v2.
a = 0.5 — עיבוד-המשך קלאסי, ללא נושא; b, c, d, e אינם ישימים [graph].
f = שרשרת פאולי על גרף זיווג; g = אין — תוכנה, ללא ייצור [graph].

פיזיקה וגבולות

התפוקה חייבת לעלות על קצב ייצור הסינדרומים, אחרת הפיגור מתבדר והמכונה נעצרת: Sparse Blossom מעבד ~10⁶ שגיאות לליבה-שנייה, פחות מ-1 µs לסבב ב-d=17 D[726], בתוך מחזור ה-1.1 µs של Willow D[1]. ההשהיה מגבילה רק היכן שמדידה לוגית מתנה את הפעולה הבאה: 63 µs ב-d=5 הם ~57 מחזורים של זמן מת D[1]. רצפת הדיוק מבנית: הזיווג מוצא את השרשרת הבודדת הסבירה ביותר רק כאשר כל שגיאה מהפכת לכל היותר שני גלאים, והוא לעולם אינו סוכם על השרשראות של מחלקה אחת כפי שעושה מפענח סבירות מרבית, ולכן יש להטיל היפר-קשתות (שגיאות Y, שגיאות מדידה מתואמות, דליפה, אובדן) על גרף הניתן לזיווג. ההטלה הזאת היא כל הפער מול מפענח הממדל אותן — Λ = 2.04 ± 0.02 לזיווג לעומת 2.14 ± 0.02 למפענח המבוסס על רשת עצבית על הסינדרומים של Willow D[1], ו-AlphaQubit טוב בכ-25% ב-d=11 בסימולציה D[657]. מה שמזיז את הרצפה הוא הגרף: משקלי קשתות שנאמדו מהנתונים, קריאה רכה (soft readout), קשתות דליפה.

מצב ההנדסה העדכני

טבלה
שנה נתון מי תג+מפתח
2023-03 <1 µs/סבב ב-d=17, ~10⁶ שגיאות/ליבה-שנייה, בסימולציה Google Quantum AI D[726]
2024-12 השהיה של 63 µs בזמן אמת ב-d=5 לאורך 10⁶ מחזורים Google Quantum AI D[1]fact
2025-03 השהיית FPGA של 0.8 µs ב-d=13, p=0.1%, 62 MHz Yale University D[727]fact

האיבר השולט: גרף הפענוח — משקלים שכוילו שלא כהלכה, דליפה שאינה מיוצגת — ולא אלגוריתם הזיווג D[1].

ייצור, חומרים ושרשרת האספקה

ללא ייצור: תוכנה ברישיון MIT [728] על חומרת מחשוב כללית, וההאצה היא השכבה שמשלמים עליה, והיא ממקור יחיד. כל מפענח תיקון שגיאות בזמן אמת שפורסם רץ על לוגיקה של AMD/Xilinx — זה של Riverlane על VU19P, ב-≈6% מטבלאות החיפוש (LUT) עבור d≤17 D[238], Micro Blossom על Versal VMK180 D[727], המפענח המבוסס על רשת עצבית מ-Shenzhen על Kintex-7 D[729], Relay-BP של IBM על רכיבי AMD P[48] — ופענוח ב-GPU הוא של NVIDIA בלבד. אין ASIC ל-MWPM (4 בספטמבר 2026). החשיפה לפיקוח על יצוא יושבת בחומרה הזאת: תקנת BIS מ-2024-09-06 מפקחת על מחשבים קוונטיים (4A906) ועל מעגלים משולבים לבקרה הפועלים מתחת ל-4.5 K (3A901.a) G[301]; קוד מקור מפורסם של מפענחים נמצא מחוץ ל-EAR לפי 15 CFR §734.7.

בקרה, קריאה ועומס הקלט-פלט

ב-10³ קיוביטים ליבה אחת מספיקה. ב-10⁴ האיבר המגביל הוא רוחב הפס של הסינדרום, לא החישוב — d² גלאים לכל קיוביט לוגי בכל 1.1 µs — ומכאן הצורך בדחיסה מקדימה קריוגנית: נטען להפחתה של עד 3,780× בהספק של פחות מ-0.56 mW ב-4 K, אך המעגל לא יוצר Sfact. ב-10⁶ הקישור מכריע: זמן ההלוך-ושוב של NVQLink, 3.84 µs C[324], ארוך ממחזור של טרנסמון, ולכן זיווג ב-GPU רץ שם בחלונות.

תפקיד במחסנית

מפענח ברירת המחדל בזמן אמת לזיכרונות של קוד המשטח ושל קוד הצבע, משותף לחמש משפחות [graph]: כל שלוש הארכיטקטורות של מוליכי-על, כל שלוש הארכיטקטורות של יונים לכודים, שני מערכי המלקחיים האופטיים של רידברג, הארכיטקטורות הפוטוניות מבוססות-ההיתוך ובמשתנים רציפים, ושתי ארכיטקטורות הספין — ראשי בשש מתוך שתים-עשרה (קיוביטי חתול ו-GKP, מסילה כפולה, מלכודת פאול הליניארית, פוטוניקת היתוך, ספינים בנקודות קוונטיות וספיני תורמים), חלופי בשאר; הוא צריך את הגרף הכמעט-מישורי שסריג סטטי של שכנים קרובים מספק בחינם. הוא מחליף מפענחים מבוססי רשתות עצביות ומפענחי התפשטות אמונה, הגוברים עליו ברגע שהבדיקות חדלות להיות ניתנות לזיווג; המעבר אינו סימטרי — עזיבה עולה מימוש בחומרה וסיפור אימות חדש, חזרה אינה עולה דבר. תרומה לשעון: ≈1.0 µs לסבב ב-d=17 D[726], לעומת שעון נגזר של 0.65 µs לארכיטקטורת הטרנסמונים עם קוד המשטח (שעון נגזר = סכום סבב הסינדרום: שכבות שערים + הובלה + קריאה + איפוס עבור הארכיטקטורה). משבצת ריקה סמוכה: שום מפענח זיווג בזמן אמת אינו צורך קריאה רכה או דגלי דליפה.

ראיות — כיצד נמדדו המספרים

נתוני התפוקה של Sparse Blossom באים מזרמי Stim מדומים D[726]. הנתון היחיד המשולב בחומרה, ה-63 µs של Willow ב-d=5, התקבל בגרסה מקבילית ייעודית של Sparse Blossom שבנתה Google, ולא ב-PyMatching המקורי D[1]. ה-0.8 µs של Micro Blossom ב-d=13 עבר ביקורת עמיתים (ASPLOS 2025), אך הוא מפענח סינדרומים מוקלטים המוזנים מחדש D[727]; ה-367 ns שבמאגר הקוד אינו מופיע בשום מאמר Cfact. פיזור הספים המצוטט לעתים קרובות אינו סתירה: 0.7% (PyMatching), 0.65% ו-0.55% (מפענחי האשכול של Riverlane בתוכנה ובחומרה) באים מהשוואה אחת תחת מודל רעש אחד D[238]. כל מתחרה מפרסם את MWPM כקו בסיס; אף אחד אינו משחזר את מהירותו.

הטענה של Quantum X Labs שמפענח הטרנספורמר שלה עולה על MWPM אינה נושאת שום נתון כמותי ולא עברה ביקורת עמיתים [730]. לא פורסם: תיאור נפרד, פלטפורמת חומרה או נתוני משאבים של גרסת Sparse Blossom המיוחדת המפענחת את Willow בזמן אמת, ולכן לא ניתן לייחס את ה-63 µs שלה לרכיב מזוהה.

שחקנים וכלכלה

מי.
| ארגון | תפקיד | מדינה | מה הם עושים | ראיות |
|---|---|---|---|---|
| Google Quantum AI | מפתח/משתמש | ארה״ב | שותפה לחיבור Sparse Blossom; מריצה אותו ב-Willow | D[1], [726] |
| Riverlane | ספק | בריטניה | מוכרת את חומרת תיקון השגיאות Deltaflow; מצטטת את MWPM כנקודת ייחוס | Cfact |
| Yale University | מחקר | ארה״ב | Micro Blossom, מאיץ FPGA ל-MWPM מדויק | D[727] |
| AMD | ספק | ארה״ב | רכיביה נושאים כל מפענח בזמן אמת שפורסם | D[238], [727] |
| NVIDIA | ספק | ארה״ב | CUDA-Q QEC ואפיק ה-GPU–QPU של NVQLink | C[324] |

כספים. 2024-08-06 · Riverlane · סבב C · $75 M (לפי מפת הדרכים שלה $85 M) · Planet First Partners מובילה · >$120 M במצטבר · נסגר C[661]. 2025-11-17 · NVIDIA · השקת NVQLink · לא נמסר · Quantinuum היא שותפת ה-QPU הראשונה Cfact. 2026-07-24 · Quantum X Labs · תוצאה · לא נמסר סכום · NVIDIA, Quantum Machines/IQCC · לא כומתה C[730]. אין מענק DARPA ייעודי למפענחים; במסגרת QBI ממומנים אחד-עשר צוותים בשלב B, וכל אחד מהם זקוק למפענח fact. לא אותר סבב מאוחר יותר של Riverlane נכון ל-4 בספטמבר 2026.

שוק ושרשרת אספקה. איש אינו מוכר MWPM: האלגוריתם חופשי ומימוש הייחוס ברישיון MIT [728], ולכן הערך נצבר אצל הקופסה שמריצה אותו — Deltaflow, CUDA-Q QEC/NVQLink, קושחה פנימית. הריכוזיות היא של ספק יחיד, פעמיים: AMD ללוגיקה, NVIDIA ל-GPU. נתון המשאבים הפומבי היחיד, ≈6% מ-VU19P עבור d≤17 D[238], מרמז על ~16 טלאים לרכיב. תורם ל-G3 ול-G4.

קניין רוחני ותקנים. אין משפחת פטנטים על MWPM — המוצא הוא Edmonds (1965) דרך Dennis–Kitaev–Landahl–Preskill (2002) D[650]; PyMatching ו-Micro Blossom הם ברישיון MIT [727], [728]. הקניין הרוחני יושב על מפענחי חומרה: Riverlane GB 2641501 A (פורסם 2025-12-10), Google US 12,518,194 (הוענק 2026-01-06) fact. PatSnap מנתה 12 פטנטים על תיקון שגיאות קוונטי באפריל 2026 (Google 6, IBM 4, Tencent 2), ללא קבוצה של פטנטי מפענחים P[668]. ממשקים בפועל: מודלי שגיאות-גלאים של Stim, NVQLink.

מפות דרכים ועמידה בהבטחות. Higgott ו-Gidney (2023-03 · פענוח תת-מיקרושנייתי בקנה מידה · הושג, ונמצא בתוך הלולאה של Willow) D[726]. Yale (2025-03 · d=13 ב-0.8 µs על FPGA · הושג; ה-367 ns שבמאגר הקוד — לא) D[727]. Riverlane (2026-03-12 · megaquop (10⁶ פעולות ללא שגיאה) לפני 2030, teraquop (10¹²) מ-2033 · אין אבן דרך ביניים שמועדה הגיע) R[658]. הטענות של Google תואמות את מה שסופק, והן היחידות שנמדדו על חומרה פועלת; מפת הדרכים של Riverlane אינה ניתנת להפרכה לפני 2029.

פרשנות אסטרטגית. אם הזיווג יחזיק מעמד, AMD וכל בוני קוד המשטח ינצחו: מימוש הייחוס נשאר חופשי, והבידול מצטמצם לקושחה. מפענח החומרה של Riverlane מקריב סף (0.55% לעומת 0.7%) לטובת השהיה ושטח D[238], ולכן החפיר התחרותי שלו הוא "מתחת לזמן המחזור" — ואת זה Micro Blossom מציע כעת ל-MWPM מדויק, ברישיון MIT D[727]. אם הזיווג יפסיד, הוא יפסיד להתפשטות אמונה על qLDPC: המפענח, הקוד והקישוריות יתחלפו יחד.

תחזית ושאלות פתוחות

לאשר/להוריד בדרגה בתוך 12–24 חודשים: השוואה של הזיווג מול מתחרה על אותם קיוביטים ובאותו כיול (כל ההשוואות הקיימות הן בסימולציה, במצב לא מקוון או בשיפוט עצמי); מפענח זיווג ב-FPGA הסוגר לולאה חיה ב-d≥7. התרחיש הטוב ביותר ל-2029: הזיווג נשאר ברירת המחדל מעבר ל-10⁴ קיוביטים פיזיים, וזמן התגובה יורד מ-63 µs ל-~1 µs. התרחיש הגרוע ביותר: זיכרונות qLDPC נושאים את המכונות, והתפשטות אמונה תופסת את מקומו. שאלות פתוחות: האם הזיווג מתרחב לסינדרומים של אטומים שבהם שולט האובדן; האם מישהו יממן ASIC למפענח כש-6% מ-FPGA מספיקים; האם שלב C של QBI יקבע מבחן ביצועים שאינו תלוי במפענח.

מקורות
  1. [1] Google Quantum AI and Collaborators, “Quantum error correction below the surface code threshold,” Nature, vol. 638, no. 8052, pp. 920–926, Dec. 2024, doi: 10.1038/s41586-024-08449-y. [D]
  2. [48] T. Maurer et al., “Real-time decoding of the gross code memory with FPGAs,” arXiv:2510.21600, Oct. 2025. [P]
  3. [238] A. B. Ziad et al., “Local clustering decoder as a fast and adaptive hardware decoder for the surface code,” Nat. Commun., vol. 16, no. 1, Art. no. 11048, Dec. 2025, doi: 10.1038/s41467-025-66773-x. [D]
  4. [301] US Department of Commerce, Bureau of Industry and Security, “Commerce Control List Additions and Revisions; Implementation of Controls on Advanced Technologies Consistent With Controls Implemented by International Partners,” Federal Register, vol. 89, p. 72926, Sep. 6, 2024. [Online]. Available: https://www.federalregister.gov/documents/2024/09/06/2024-19633/commerce-control-list-additions-and-revisions-implementation-of-controls-on-advanced-technologies [G]
  5. [324] S. Caldwell et al., “NVIDIA NVQLink Architecture Integrates Accelerated Computing with Quantum Processors,” NVIDIA Technical Blog, Nov. 17, 2025. [Online]. Available: https://developer.nvidia.com/blog/nvidia-nvqlink-architecture-integrates-accelerated-computing-with-quantum-processors/ [C]
  6. [650] E. Dennis, A. Kitaev, A. Landahl, and J. Preskill, “Topological quantum memory,” Journal of Mathematical Physics, vol. 43, no. 9, pp. 4452–4505, 2002, doi: 10.1063/1.1499754. arXiv:quant-ph/0110143. [D]
  7. [657] J. Bausch et al., “Learning high-accuracy error decoding for quantum processors,” Nature, vol. 635, no. 8040, pp. 834–840, Nov. 2024, doi: 10.1038/s41586-024-08148-8. [D]
  8. [658] Riverlane, “Riverlane publishes QEC Technology Roadmap that can accelerate quantum computing's path to utility scale by 3–5 years,” Mar. 12, 2026. [Online]. Available: https://www.riverlane.com/press-release/riverlane-publishes-qec-technology-roadmap [R]
  9. [661] Riverlane, “Riverlane raises $75 million to meet surging global demand for quantum error correction technology,” Aug. 6, 2024. [Online]. Available: https://www.riverlane.com/press-release/riverlane-raises-75-million-to-meet-surging-global-demand-for-quantum-error-correction-technology [C]
  10. [668] PatSnap, “Quantum Error Correction Technology Landscape 2026,” Apr. 22, 2026. [Online]. Available: https://www.patsnap.com/resources/blog/articles/quantum-error-correction-patent-landscape-2026/ [P]
  11. [725] A. G. Fowler, “Minimum weight perfect matching of fault-tolerant topological quantum error correction in average O(1) parallel time,” Quantum Inf. Comput., vol. 15, no. 1&2, pp. 145–158, Jan. 2015, doi: 10.26421/QIC15.1-2-9. arXiv:1307.1740. [D]
  12. [726] O. Higgott and C. Gidney, “Sparse Blossom: correcting a million errors per core second with minimum-weight matching,” Quantum, vol. 9, Art. no. 1600, Jan. 2025, doi: 10.22331/q-2025-01-20-1600. arXiv:2303.15933. Also https://arxiv.org/abs/2303.15933. [D]
  13. [727] Y. Wu, N. Liyanage, and L. Zhong, “Micro Blossom: Accelerated Minimum-Weight Perfect Matching Decoding for Quantum Error Correction,” Proc. 30th ACM Int. Conf. Architectural Support for Programming Languages and Operating Systems (ASPLOS '25), vol. 2, Mar. 2025, doi: 10.1145/3676641.3716005. arXiv:2502.14787. Also https://github.com/yuewuo/micro-blossom. [D]
  14. [728] O. Higgott, “PyMatching,” GitHub. [Online]. Available: https://github.com/oscarhiggott/PyMatching [G]
  15. [729] X. Yang et al., “Real-time Surface-Code Error Correction Using an FPGA-based Neural-Network Decoder,” arXiv:2605.04892, May 2026. Also https://arxiv.org/html/2605.04892. [D]
  16. [730] Quantum X Labs, “Quantum X Labs Reports Meaningful Error Correction Decoder Results with NVIDIA CUDA-Q QEC,” GlobeNewswire, Jul. 24, 2026. [Online]. Available: https://www.globenewswire.com/news-release/2026/07/24/3332879/0/en/quantum-x-labs-reports-meaningful-error-correction-decoder-results-with-nvidia-cuda-q-qec.html [C]