論文の概要: Deep Q-learning decoder for depolarizing noise on the toric code
- arxiv url: http://arxiv.org/abs/1912.12919v1
- Date: Mon, 30 Dec 2019 13:27:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 03:11:19.079694
- Title: Deep Q-learning decoder for depolarizing noise on the toric code
- Title（参考訳）: トーリック符号の雑音分極のための深部Q-ラーニングデコーダ
- Authors: David Fitzek, Mattias Eliasson, Anton Frisk Kockum, Mats Granath
- Abstract要約: トーリック符号上の非分極雑音の量子誤差補正のためのAIベースの復号化エージェントを提案する。
エージェントは、深層強化学習(DRL)を使用してトレーニングされ、人工知能ニューラルネットワークは、エラー修正のための$X$、$Y$、および$Z$ Pauli操作の状態をQ値にエンコードする。
DRL型デコーダは,将来的なトポロジカル符号の誤り訂正のためのフレームワークとして期待できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an AI-based decoding agent for quantum error correction of
depolarizing noise on the toric code. The agent is trained using deep
reinforcement learning (DRL), where an artificial neural network encodes the
state-action Q-values of error-correcting $X$, $Y$, and $Z$ Pauli operations,
occurring with probabilities $p_x$, $p_y$, and $p_z$, respectively. By learning
to take advantage of the correlations between bit-flip and phase-flip errors,
the decoder outperforms the minimum-weight-perfect-matching (MWPM) algorithm,
achieving higher success rate and higher error threshold for depolarizing noise
($p_z = p_x = p_y$), for code distances $d\leq 9$. The decoder trained on
depolarizing noise also has close to optimal performance for uncorrelated noise
and provides functional but sub-optimal decoding for biased noise ($p_z \neq
p_x = p_y$). We argue that the DRL-type decoder provides a promising framework
for future practical error correction of topological codes, striking a balance
between on-the-fly calculations, in the form of forward evaluation of a deep
Q-network, and pre-training and information storage. The complete code, as well
as ready-to-use decoders (pre-trained networks), can be found in the repository
https://github.com/mats-granath/toric-RL-decoder.
- Abstract（参考訳）: トーリック符号上の雑音の量子誤差補正のためのAIに基づく復号化エージェントを提案する。
このエージェントは、深層強化学習(DRL)を用いて訓練され、ニューラルネットワークがエラー訂正のQ値である$X$、$Y$、$Z$Pauli演算を符号化し、それぞれ$p_x$、$p_y$、$p_z$の確率で発生する。
ビットフリップと位相フリップの誤差の相関を利用して、デコーダは最小ウェイト・パーフェクト・マッチング(MWPM)アルゴリズムより優れ、符号距離が$d\leq 9$に対して高い成功率と高誤差閾値を達成する(p_z = p_x = p_y$)。
非相関ノイズに対する最適性能に近づき、バイアスノイズ(p_z \neq p_x = p_y$)に対して機能的だが準最適デコードを提供する。
DRL型デコーダは,将来的なトポロジカル符号の誤り訂正のためのフレームワークとして,深層Qネットワークの前方評価と事前学習と情報記憶という形で,オンザフライ計算のバランスを崩すことを論じる。
完全なコードと使えるデコーダ(事前トレーニング済みネットワーク)は、リポジトリhttps://github.com/mats-granath/toric-RL-decoderにある。
関連論文リスト
- The closed-branch decoder for quantum LDPC codes [0.0]
実時間復号化は論理レベルで任意の量子計算を実装する上で必要である。
本稿では,量子低密度パリティチェック(QLDPC)のための新しいデコーダを提案する。
論文 参考訳（メタデータ） (2024-02-02T16:22:32Z) - Bit-flipping Decoder Failure Rate Estimation for (v,w)-regular Codes [84.0257274213152]
並列ビットフリップデコーダのDFRを高精度に推定する手法を提案する。
本研究は,本症候群のモデル化およびシミュレーションによる重み比較,第1イテレーション終了時の誤りビット分布の誤検出,復号化復号化率(DFR)について検証した。
論文 参考訳（メタデータ） (2024-01-30T11:40:24Z) - qecGPT: decoding Quantum Error-correcting Codes with Generative
Pre-trained Transformers [5.392298820599664]
生成モデルを用いて量子誤り訂正符号を復号するフレームワークを提案する。
自動回帰ニューラルネットワーク、特にトランスフォーマーを用いて、論理演算子とシンドロームの結合確率を学習する。
我々のフレームワークは汎用的であり、様々なトポロジを持つ任意のエラーモデルや量子コードに適用できる。
論文 参考訳（メタデータ） (2023-07-18T07:34:02Z) - Data-driven decoding of quantum error correcting codes using graph
neural networks [0.0]
グラフニューラルネットワーク(GNN)を用いたモデルフリーでデータ駆動型デコーディングアプローチについて検討する。
GNNベースのデコーダは、シミュレーションデータのみを与えられた表面コード上での回路レベルのノイズに対する整合デコーダよりも優れていることを示す。
その結果、デコードに対する純粋にデータ駆動型アプローチが、実用的な量子誤り訂正のための実行可能な選択肢である可能性が示唆された。
論文 参考訳（メタデータ） (2023-07-03T17:25:45Z) - The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。
本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-04-14T19:46:39Z) - Machine Learning-Aided Efficient Decoding of Reed-Muller Subcodes [59.55193427277134]
Reed-Muller (RM) 符号は、一般的なバイナリインプットメモリレス対称チャネルの容量を達成する。
RM符号は制限されたレートのみを許容する。
効率的なデコーダは、RM符号に対して有限長で利用可能である。
論文 参考訳（メタデータ） (2023-01-16T04:11:14Z) - Low-depth random Clifford circuits for quantum coding against Pauli
noise using a tensor-network decoder [2.867517731896504]
我々は、回路深さが1Dで$d=mathcalO(log n)$に制限された場合でも、ハッシュ境界、すなわち$d=mathcalO(n)$-depthランダム符号化回路で達成できることを数値的に示す。
論文 参考訳（メタデータ） (2022-12-09T19:00:00Z) - Improved decoding of circuit noise and fragile boundaries of tailored
surface codes [61.411482146110984]
高速かつ高精度なデコーダを導入し、幅広い種類の量子誤り訂正符号で使用することができる。
我々のデコーダは、信仰マッチングと信念フィンドと呼ばれ、すべてのノイズ情報を活用し、QECの高精度なデモを解き放つ。
このデコーダは, 標準の正方形曲面符号に対して, 整形曲面符号において, より高いしきい値と低い量子ビットオーバーヘッドをもたらすことがわかった。
論文 参考訳（メタデータ） (2022-03-09T18:48:54Z) - Adversarial Neural Networks for Error Correcting Codes [76.70040964453638]
機械学習(ML)モデルの性能と適用性を高めるための一般的なフレームワークを紹介する。
本稿では,MLデコーダと競合する識別器ネットワークを組み合わせることを提案する。
我々のフレームワークはゲーム理論であり、GAN(Generative Adversarial Network)によって動機付けられている。
論文 参考訳（メタデータ） (2021-12-21T19:14:44Z) - Efficient Decoding of Surface Code Syndromes for Error Correction in
Quantum Computing [0.09236074230806578]
本稿では,2レベル(低レベル,高レベル)のMLベースの復号法を提案し,第1レベルが物理量子ビット上の誤りを訂正し,第2レベルが既存の論理的誤りを訂正する。
その結果,提案手法は擬似閾値としきい値のそれぞれ$sim10倍,$sim2倍の値が得られることがわかった。
より高度な訓練/テスト時間を持つMLモデルの使用は、デコーダの性能に大きな改善をもたらすものではないことを示す。
論文 参考訳（メタデータ） (2021-10-21T04:54:44Z) - Neural Distributed Source Coding [59.630059301226474]
相関構造に依存せず,高次元までスケール可能な損失DSCのためのフレームワークを提案する。
提案手法は,複数のデータセット上で評価し,複雑な相関関係と最先端PSNRを扱えることを示す。
論文 参考訳（メタデータ） (2021-06-05T04:50:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。