고용량 신경망 디코더(neural decoders)의 일종인 파운데이션 디코더(Foundation decoders)는 큰 코드 거리(code distances)에서 정확하고 효율적인 디코딩을 수행하며, 결함 허용 양자 컴퓨팅(fault-tolerant quantum computing)을 위한 유력한 후보로 꼽히고 있습니다. 그러나 코드 거리가 커질수록 신드롬 생성(syndrome generation) 및 신경망 최적화(neural optimization) 비용이 급격히 증가하기 때문에, 이들의 구축은 종종 가파른 확장성 장벽(scaling barrier)에 직면합니다. 이러한 병목 현상을 해결하기 위해, 본 연구에서는 효율적인 파운데이션 디코더를 위한 통합 프레임워크인 신경망 전이 통합(Neural Transfer Unification, NTU)을 고안했습니다. NTU의 핵심 특징은 확장 가능한 코드 제품군(scalable code families)이 공유하는 대수적 구조(algebraic structures)를 통해 코드 거리 간의 디코딩 작업을 정렬하는 능력이며, 이를 통해 작은 코드에서 학습된 지식을 대규모 디코더 학습 가속화에 활용할 수 있습니다. 우리는 NTU를 평면 표면 코드(planar surface codes) 및 이변량 바이시클 코드(bivariate bicycle codes)에 맞춤화된 트랜스포머 기반 신경망 디코더인 NTU-Transformer로 구현했습니다. 회로 수준 노이즈(circuit-level noise) 환경의 평면 표면 코드에 대해, NTU-Transformer는 $[![361,1,19]!]$ 코드에서 상관관계 인식 매칭(correlation-aware matching)보다 우수한 성능을 보였으며, $[![625,1,25]!]$ 코드로 확장했을 때 전이 적응(transfer adaptation)을 통해 표준 매칭(standard matching)을 능가했습니다. $[![72,12,6]!]$의 이변량 바이시클 코드의 경우, 낮은 물리적 오류(low-physical-error) 영역에서 Relay-BP를 능가했습니다. 이러한 결과는 우리의 제안이 결함 허용 양자 프로세서를 위한 파운데이션 디코더의 분할 상환 교차 거리 학습(amortized cross-distance training)을 위한 확장 가능한 경로임을 입증합니다.