論文の概要: Efficient Machine-Learning-based decoder for Heavy Hexagonal QECC
- arxiv url: http://arxiv.org/abs/2210.09730v1
- Date: Tue, 18 Oct 2022 10:16:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-22 04:38:40.253116
- Title: Efficient Machine-Learning-based decoder for Heavy Hexagonal QECC
- Title(参考訳): ヘキサゴナルQECCのための効率的な機械学習型デコーダ
- Authors: Debasmita Bhoumik, Ritajit Majumdar, Dhiraj Madan, Dhinakaran
Vinayagamurthy, Shesha Raghunathan, Susmita Sur-Kolay
- Abstract要約: 表面符号のような位相符号は、通常、MWPM (Minimum Weight Perfect Matching) ベースのデコーダを使用してデコードされた。
近年の進歩により、トポロジカルコードは機械学習(ML)技術の展開によって効率的に復号化可能であることが示されている。
- 参考スコア(独自算出の注目度): 0.9670182163018803
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Errors in heavy hexagonal code and other topological codes like surface code
were usually decoded using the Minimum Weight Perfect Matching (MWPM) based
decoders. Recent advances have shown that topological codes can be efficiently
decoded by deploying machine learning (ML) techniques, for example, neural
networks. In this work, we first propose an ML based decoder and show that this
decoder can decode heavy hexagonal code efficiently, in terms of the values of
threshold and pseudo-threshold, for various noise models. We show that the
proposed ML based decoding method achieves $\sim 5$ times higher values of
threshold than that by MWPM. Next, exploiting the property of subsystem codes,
we define gauge equivalence in heavy hexagonal code, by which two different
errors can belong to the same error class. We obtain a quadratic reduction in
the number of error classes for both bit flip and phase flip errors, thus
achieving a further improvement of $\sim 14\%$ in the threshold o ver the basic
ML decoder. A novel technique of rank based gauge equivalence minimization to
minimize the number of classes is further proposed, which is empirically faster
than the previously mentioned gauge equivalence minimization.
- Abstract(参考訳): ヘキサゴナル符号や表面符号などの位相符号の誤りは通常、MWPM(Minimum Weight Perfect Matching)ベースのデコーダを用いてデコードされた。
最近の進歩は、例えばニューラルネットワークのような機械学習(ML)技術をデプロイすることで、トポロジ的コードは効率的に復号化できることを示している。
本研究では,まずMLに基づくデコーダを提案し,このデコーダが各種ノイズモデルに対してしきい値と擬似閾値の値を用いてヘキサゴナルコードを効率的に復号可能であることを示す。
提案手法は,mwpm によるしきい値値よりも$\sim の5$倍高い値が得られることを示す。
次に,サブシステムの特性を生かして,2つの異なるエラーが同じエラークラスに属するヘキサゴナルコードのゲージ等価性を定義する。
ビットフリップと位相フリップの両方のエラークラス数を2次的に削減することで、基本mlデコーダのしきい値overにおける$\sim 14\%$のさらなる改善を実現する。
クラス数を最小化するためのランクベースゲージ同値最小化の新たな手法が提案され、前述のゲージ同値最小化よりも実験的に高速である。
関連論文リスト
- Progressive-Proximity Bit-Flipping for Decoding Surface Codes [9.801253635315636]
トリックやサーフェスコードのようなトポロジカル量子コードは、ハードウェア実装の優れた候補である。
既存のデコーダは、計算複雑性の低いような要求を満たすのに不足することが多い。
トリックおよび表面符号に適した新しいビットフリップ(BF)デコーダを提案する。
論文 参考訳(メタデータ) (2024-02-24T22:38:05Z) - Testing the Accuracy of Surface Code Decoders [55.616364225463066]
大規模でフォールトトレラントな量子計算は量子エラー訂正符号(QECC)によって実現される
本研究は,QECC復号方式の精度と有効性をテストするための最初の体系的手法である。
論文 参考訳(メタデータ) (2023-11-21T10:22:08Z) - 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) - 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) - Graph Neural Networks for Channel Decoding [71.15576353630667]
低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。
ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。
提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
論文 参考訳(メタデータ) (2022-07-29T15:29:18Z) - 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) - Error-rate-agnostic decoding of topological stabilizer codes [0.0]
我々は、位相フリップとビットフリップの相対確率というバイアスに依存するデコーダを開発するが、誤差率には依存しない。
我々のデコーダは、与えられたシンドロームの同値類における最も可能性の高いエラー連鎖の数と有効重みを数えることに基づいている。
論文 参考訳(メタデータ) (2021-12-03T15:45:12Z) - 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) - One Loss for All: Deep Hashing with a Single Cosine Similarity based
Learning Objective [86.48094395282546]
ディープハッシュモデルは通常、学習されたバイナリハッシュコードの識別と量子化エラーの最小化という2つの学習目標を持つ。
本稿では,1つの学習目的しか持たない新しい深層ハッシュモデルを提案する。
我々のモデルは,3つの大規模インスタンス検索ベンチマークにおいて,最先端のマルチロスハッシュモデルより優れている。
論文 参考訳(メタデータ) (2021-09-29T14:27:51Z) - 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)
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。