Fugu-MT 論文翻訳(概要): Optimization of Tensor Network Codes with Reinforcement Learning

論文の概要: Optimization of Tensor Network Codes with Reinforcement Learning

arxiv url: http://arxiv.org/abs/2305.11470v1
Date: Fri, 19 May 2023 06:44:59 GMT
ステータス: 処理完了
システム内更新日: 2023-05-22 15:53:56.890007
Title: Optimization of Tensor Network Codes with Reinforcement Learning
Title（参考訳）: 強化学習によるテンソルネットワーク符号の最適化
Authors: Caroline Mauron, Terry Farrelly, Thomas M. Stace
Abstract要約: テンソル・ネットワーク・コード・ジオメトリに強化学習を適用し、最適な安定化器・コードを見つける方法を示す。プロジェクティブ・シミュレーション・フレームワークを用いて、我々の強化学習エージェントは、常に最良のコードを見つけ出す。エージェントは、1000回の試行後に10%$の周波数で最適なコードを見つけるなど、ランダム検索を一貫して上回る。
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: Tensor network codes enable structured construction and manipulation of stabilizer codes out of small seed codes. Here, we apply reinforcement learning to tensor network code geometries and demonstrate how optimal stabilizer codes can be found. Using the projective simulation framework, our reinforcement learning agent consistently finds the best possible codes given an environment and set of allowed actions, including for codes with more than one logical qubit. The agent also consistently outperforms a random search, for example finding an optimal code with a $10\%$ frequency after 1000 trials, vs a theoretical $0.16\%$ from random search, an improvement by a factor of 65.
Abstract（参考訳）: テンソルネットワークコードは、小さなシードコードからスタビライザコードの構造構築と操作を可能にする。ここではテンソルネットワークコードジオメトリに強化学習を適用し,最適安定化符号を見出す方法を示す。我々の強化学習エージェントは、投影型シミュレーションフレームワークを用いて、複数の論理量子ビットを持つコードを含む、環境と許容される一連のアクションが与えられた最高のコードを見つける。エージェントはまた、1000回の試行後に10\%の周波数で最適なコードを見つけるのに対して、ランダム検索から0.16\%の確率で、65の係数で改善するなど、ランダム検索を一貫して上回る。

関連論文リスト

Factor Graph Optimization of Error-Correcting Codes for Belief Propagation Decoding [62.25533750469467]
低密度パリティ・チェック (LDPC) コードは、他の種類のコードに対していくつかの利点がある。提案手法は,既存の人気符号の復号性能を桁違いに向上させる。
論文参考訳（メタデータ） (2024-06-09T12:08:56Z)
Zero-Shot Detection of Machine-Generated Codes [83.0342513054389]
本研究は,LLMの生成したコードを検出するためのトレーニング不要な手法を提案する。既存のトレーニングベースまたはゼロショットテキスト検出装置は、コード検出に効果がないことがわかった。本手法は,リビジョン攻撃に対する堅牢性を示し,Javaコードによく適応する。
論文参考訳（メタデータ） (2023-10-08T10:08:21Z)
Towards Efficient Fine-tuning of Pre-trained Code Models: An Experimental Study and Beyond [52.656743602538825]
微調整された事前訓練されたコードモデルは、大きな計算コストを発生させる。我々は、レイヤーワイドで事前訓練された表現と、微調整中に符号化されたコード知識に何が起こるのかを実験的に検討する。本稿では,レイヤ凍結により事前学習したコードモデルを効率的に微調整するTellyを提案する。
論文参考訳（メタデータ） (2023-04-11T13:34:13Z)
Enhancing Semantic Code Search with Multimodal Contrastive Learning and Soft Data Augmentation [50.14232079160476]
コード検索のためのマルチモーダルコントラスト学習とソフトデータ拡張を用いた新しい手法を提案する。我々は,6つのプログラミング言語を用いた大規模データセットにおけるアプローチの有効性を評価するために,広範囲な実験を行った。
論文参考訳（メタデータ） (2022-04-07T08:49:27Z)
CodeRetriever: Unimodal and Bimodal Contrastive Learning [128.06072658302165]
関数レベルのコードセマンティック表現を訓練するために,一様および二様のコントラスト学習を組み合わせたCodeRetrieverモデルを提案する。ノンモーダルなコントラスト学習のために、文書と関数名に基づいてポジティブなコードペアを構築するためのセマンティックガイド付き手法を設計する。バイモーダルなコントラスト学習では、コードのドキュメンテーションとインラインコメントを活用して、テキストコードペアを構築します。
論文参考訳（メタデータ） (2022-01-26T10:54:30Z)
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)
Quantum Lego: Building Quantum Error Correction Codes from Tensor Networks [0.0]
単純なコードや状態のテンソルから構築されたテンソルネットワークとして、複雑なコード構造を表現する。このフレームワークは、構築したコードにネットワークのジオメトリを付与し、安定化器コードの構築に有効である。非自明なコードを構築するために、単純な安定化コードを結合する例をいくつか紹介する。
論文参考訳（メタデータ） (2021-09-16T18:00:00Z)
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)
General tensor network decoding of 2D Pauli codes [0.0]
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。
論文参考訳（メタデータ） (2021-01-11T19:00:03Z)
COSEA: Convolutional Code Search with Layer-wise Attention [90.35777733464354]
我々は、畳み込みニューラルネットワークを階層的注意で活用し、コード固有の構造論理をキャプチャする新しいディープラーニングアーキテクチャ、COSEAを提案する。 COSEAは、コード検索タスクの最先端メソッドよりも大幅に改善できる。
論文参考訳（メタデータ） (2020-10-19T13:53:38Z)
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)

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。