論文の概要: General tensor network decoding of 2D Pauli codes
- arxiv url: http://arxiv.org/abs/2101.04125v3
- Date: Wed, 13 Oct 2021 17:00:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 02:43:32.718265
- Title: General tensor network decoding of 2D Pauli codes
- Title(参考訳): 2次元ポーリ符号の一般テンソルネットワーク復号化
- Authors: Christopher T. Chubb
- Abstract要約: パウリ雑音を受ける2次元安定化器とサブシステム符号の最大確率復号を近似した復号器を提案する。
3つのノイズモデルの下で4つの符号のクラスを研究することにより,このデコーダのパワーを数値的に実証する。
我々はデコーダによって得られる閾値が最先端であり、利用可能な最適しきい値と数値的に一致していることを示す。
- 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: In this work we develop a general tensor network decoder for 2D codes.
Specifically, we propose a decoder that approximates maximally likelihood
decoding for 2D stabiliser and subsystem codes subject to Pauli noise. For a
code consisting of $n$ qubits our decoder has a runtime of $O(n\log
n+n\chi^3)$, where $\chi$ is an approximation parameter. We numerically
demonstrate the power of this decoder by studying four classes of codes under
three noise models, namely regular surface codes, irregular surface codes,
subsystem surface codes and colour codes, under bit-flip, phase-flip and
depolarising noise. We show that the thresholds yielded by our decoder are
state-of-the-art, and numerically consistent with optimal thresholds where
available, suggesting that the tensor network decoder well approximates optimal
decoding in all these cases. Novel to our decoder is an efficient and effective
approximate contraction scheme for arbitrary 2D tensor networks, which may be
of independent interest. We have also released an implementation of this
algorithm as a stand-alone Julia package: SweepContractor.jl.
- Abstract(参考訳): 本研究では,2次元符号化のための一般テンソルネットワークデコーダを開発した。
具体的には,パウリ雑音を受ける2次元スタビリザー符号とサブシステム符号の最大確率復号を近似するデコーダを提案する。
n$ qubitsからなるコードの場合、decoderは$O(n\log n+n\chi^3)$のランタイムを持ち、$\chi$は近似パラメータである。
本研究では,3つのノイズモデル,すなわち正規曲面符号,不規則曲面符号,サブシステム表面符号,カラー符号,ビットフリップ,位相フリップ,偏光雑音の4種類の符号を解析することにより,デコーダのパワーを数値的に実証する。
我々は,デコーダによって得られる閾値が最先端であり,利用可能な最適しきい値と数値的に一致していることを示し,テンソルネットワークデコーダがこれらすべての場合において最適なデコーダを適切に近似することを示唆した。
我々の復号器の新規性は、任意の2次元テンソルネットワークに対する効率的かつ効果的な近似収縮スキームである。
我々はまた、このアルゴリズムをスタンドアローンのJuliaパッケージとして実装した: SweepContractor.jl。
関連論文リスト
- Tensor Network Decoding Beyond 2D [2.048226951354646]
テンソルネットワークデコーディングを高次元に一般化する手法をいくつか導入する。
提案手法の復号精度は3次元曲面符号における最先端デコーダよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-10-16T18:00:02Z) - 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) - Dense Coding with Locality Restriction for Decoder: Quantum Encoders vs.
Super-Quantum Encoders [67.12391801199688]
我々は、デコーダに様々な局所性制限を課すことにより、濃密な符号化について検討する。
このタスクでは、送信者アリスと受信機ボブが絡み合った状態を共有する。
論文 参考訳(メタデータ) (2021-09-26T07:29:54Z) - Local tensor-network codes [0.0]
表面コードやカラーコードなど,トポロジ的なコードを単純なテンソルネットワークコードとして記述する方法を示す。
ホログラム符号の場合,本手法は効率的であることを示す。
論文 参考訳(メタデータ) (2021-09-24T14:38:06Z) - KO codes: Inventing Nonlinear Encoding and Decoding for Reliable
Wireless Communication via Deep-learning [76.5589486928387]
ランドマークコードは、Reed-Muller、BCH、Convolution、Turbo、LDPC、Polarといった信頼性の高い物理層通信を支える。
本論文では、ディープラーニング駆動型(エンコーダ、デコーダ)ペアの計算効率の良いファミリーであるKO符号を構築する。
KO符号は最先端のリード・ミュラー符号と極符号を破り、低複雑さの逐次復号法で復号された。
論文 参考訳(メタデータ) (2021-08-29T21:08:30Z) - Dynamic Neural Representational Decoders for High-Resolution Semantic
Segmentation [98.05643473345474]
動的ニューラル表現デコーダ(NRD)と呼ばれる新しいデコーダを提案する。
エンコーダの出力上の各位置がセマンティックラベルの局所的なパッチに対応するので、この研究では、これらの局所的なパッチをコンパクトなニューラルネットワークで表現する。
このニューラル表現により、意味ラベル空間に先行する滑らかさを活用することができ、デコーダをより効率的にすることができる。
論文 参考訳(メタデータ) (2021-07-30T04:50:56Z) - Trellis Decoding For Qudit Stabilizer Codes And Its Application To Qubit
Topological Codes [3.9962751777898955]
トレリス復号器は強い構造を持ち、古典的符号化理論を用いて結果をガイドとして拡張し、復号グラフの構造特性を計算できる正準形式を示す。
修正されたデコーダは、任意の安定化コード$S$で動作し、コードの正規化子のコンパクトでグラフィカルな表現を構築するワンタイムオフライン、$Sperp$、Viterbiアルゴリズムを使った高速でパラレルなオンライン計算である。
論文 参考訳(メタデータ) (2021-06-15T16:01:42Z) - Tensor-network codes [0.0]
天然のテンソル・ネットワーク・デコーダを備えたテンソル・ネットワーク安定化符号を導入する。
完全あるいはブロック完全等長線からなるホログラフィック符号を一般化する。
ホログラフィック符号の場合、テンソル・ネットワーク・デコーダは物理量子ビット数の複雑さで効率的である。
論文 参考訳(メタデータ) (2020-09-22T05:44:50Z) - On Sparsifying Encoder Outputs in Sequence-to-Sequence Models [90.58793284654692]
我々はTransformerをテストベッドとして、エンコーダとデコーダの間にあるゲートの層を導入します。
ゲートは、パリシティ誘導L0ペナルティの期待値を用いて正規化される。
このスペーサー化が2つの機械翻訳と2つの要約タスクに与える影響について検討する。
論文 参考訳(メタデータ) (2020-04-24T16:57:52Z) - Pruning Neural Belief Propagation Decoders [77.237958592189]
本稿では,機械学習を用いたBPデコードに対して,過剰完全パリティチェック行列を調整する手法を提案する。
我々は,デコーダの複雑さを低減しつつ,0.27dB,1.5dBのML性能を実現する。
論文 参考訳(メタデータ) (2020-01-21T12:05:46Z) - Deep Q-learning decoder for depolarizing noise on the toric code [0.0]
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。
論文 参考訳(メタデータ) (2019-12-30T13:27:07Z)
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。