本文介绍了逆自回归流的新型正则化流架构，它是基于自回归神经网络的可逆转换链。实验证明，逆自回归流在高维空间中改善了对角高斯近似后验的变分推断，并且结合逆自回归流的变分自编码器在对数似然度方面与神经自回归模型相当，且合成速度更快。

该文提出了一种使用生成建模对量子纠错码进行译码的通用框架，利用自回归神经网络，特别是 Transformer，学习逻辑运算符和综合症的联合概率。经过预训练后，该模型可以高效计算逻辑运算符的可能性，并以计算复杂度为 O(2k) 直接生成最可能的逻辑运算符。作者进一步提出了一种基于经过预训练的模型的改进方法，通过直接采样稳定子运算符，更准确地确定给定综合症的逻辑运算符的可能性。数值实验结果显示，该方法在译码准确性方面比最小重量完美匹配和基于置信传播的算法提供了显着改进。该框架是通用的，可以应用于任何误差模型和具有不同拓扑结构的量子码。