张量网络译码（tensor network decoding）把最大似然译码的类概率计算精确写成统计力学配分函数，再用张量网络收缩算法求值。Bravyi、Suchara 与 Vargo 在 2014 年给出两个高效实现：比特翻转噪声下经 matchgate 归约达到 的精确 ML；去极化噪声下用矩阵乘积态（MPS）扫描近似，键维度 时已与精确 ML 几乎不可区分，比匹配译码好两个数量级以上。Chubb 2021 年把方法推广到任意 2D Pauli 码。它是小码与中码上校准一切实用译码器的”黄金基准”。
从类概率到配分函数
ML 译码要算 ——对整个余等价类求和。Dennis 等早已识别出这个和等于一个 2D 无序 Ising 模型的配分函数Dennis et al. 2002 (J. Math. Phys.)。Bravyi–Suchara–Vargo（BSV）走经典-量子映射：把配分函数改写为一条 1D 自旋链的（虚时）演化迹，逐列演化算符串成一条链状张量网络——类概率 = 网络收缩Bravyi, Suchara & Vargo 2014 (PRA)。
matchgate 特例：比特翻转下的精确 ML
比特翻转噪声下，BSV 的 1D 链演化算符全部是 matchgate（费米子高斯型）电路。Valiant 的经典模拟定理适用：matchgate 电路可用费米子高斯态的矩阵算符技巧精确跟踪——于是精确 ML 译码在 时间内完成Bravyi, Suchara & Vargo 2014 (PRA)。这是少数真正”精确”且多项式的 ML 情形；同文基准显示比特翻转噪声下 MWPM 与 ML 的逻辑失败率差距在 2 倍以内——简并性在纯 或纯 噪声下影响不大。
MPS 扫描收缩：χ 控制一切
去极化噪声破坏 matchgate 结构，演化算符变成矩阵乘积算符（MPO）。BSV 借 DMRG 的骨架做逐列扫描收缩：
- Contract：把当前列的张量并入已有的 MPS，恢复规范形——只做这一步会指数膨胀；
- Compress：对结果做有损压缩（SVD 截断到键维度 ），复杂度回落。
总复杂度 。弱纠缠猜想给出它为何有效：阈值以下关联长度有限，中间态纠缠有界，小 的近似已经足够好——数值上 时与精确 ML 几乎不可区分（ 基准）Bravyi, Suchara & Vargo 2014 (PRA)。
推广到任意 2D 码：扫描线收缩
Chubb（配合 Chubb–Campbell 的构造）证明任何 Pauli 码 + Pauli 噪声的 ML 译码都可归约为张量网络收缩，并给出任意 2D 网络的近似收缩算法：sweep-line 扫描线维护”已扫过部分”的 MPS 近似，每前进一个张量做一次 Contract+Compress，总运行时 （Julia 实现 SweepContractor.jl）。数值上规则/不规则表面码、子系统表面码、颜色码的阈值都与已知最优值一致；论文附录给出四类码×三种噪声的系统性阈值表Chubb 2021 (arXiv)。
复杂度的三道墙
张量网络译码的适用边界由三道复杂度墙划出。键维度墙： 随关联长度增长，去极化噪声与含错测量都会推高纠缠，3D 网络的等效 迅速失控。结构墙：扫描收缩依赖 2D 几何（列分解），qLDPC 码的非局域 Tanner 图没有可扫的列。延迟墙：逐列 SVD 的常数因子大，实时场景不可及。因此工程定位明确——离线精度基准与小码理论研究，恰好补上匹配类译码器”快而不准”的另一半光谱（见decoding-overview的权衡矩阵）。
角色与局限
张量网络译码的精度地位至今未被动摇：AlphaQubit 论文在真实 Sycamore 数据上对比的全部算法译码器中，张量网络译码器仍是最强基线Bausch et al. 2024 (Nature)。局限同样明确：(i) 含错测量把网络变成 3D， 需求迅速上升；(ii) 收缩延迟高，不适合作实时译码；(iii) 对非局域码（qLDPC）没有 2D 结构可扫。因此它的生态位是离线精度基准——发布任何新译码器时，“与 MPS 译码相差多少”是标准报告项。