論文の概要: Data-driven decoding of quantum error correcting codes using graph neural networks

• arxiv url: http://arxiv.org/abs/2307.01241v2
• Date: Wed, 12 Mar 2025 17:21:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:35:56.499409
• Title: Data-driven decoding of quantum error correcting codes using graph neural networks
• Title（参考訳）: グラフニューラルネットワークを用いた量子誤り訂正符号のデータ駆動復号
• Authors: Moritz Lange, Pontus Havström, Basudha Srivastava, Isak Bengtsson, Valdemar Bergentall, Karl Hammar, Olivia Heuts, Evert van Nieuwenburg, Mats Granath,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: To leverage the full potential of quantum error-correcting stabilizer codes it is crucial to have an efficient and accurate decoder. Accurate, maximum likelihood, decoders are computationally very expensive whereas decoders based on more efficient algorithms give sub-optimal performance. In addition, the accuracy will depend on the quality of models and estimates of error rates for idling qubits, gates, measurements, and resets, and will typically assume symmetric error channels. In this work, instead, we explore a model-free, data-driven, approach to decoding, using a graph neural network (GNN). The decoding problem is formulated as a graph classification task in which a set of stabilizer measurements is mapped to an annotated detector graph for which the neural network predicts the most likely logical error class. We show that the GNN-based decoder can outperform a matching decoder for circuit level noise on the surface code given only simulated experimental data, even if the matching decoder is given full information of the underlying error model. Although training is computationally demanding, inference is fast and scales approximately linearly with the space-time volume of the code. We also find that we can use large, but more limited, datasets of real experimental data [Google Quantum AI, Nature {\bf 614}, 676 (2023)] for the repetition code, giving decoding accuracies that are on par with minimum weight perfect matching. The results show that a purely data-driven approach to decoding may be a viable future option for practical quantum error correction, which is competitive in terms of speed, accuracy, and versatility.
• Abstract（参考訳）: 量子誤り訂正安定化符号の潜在能力を最大限活用するためには、効率的かつ正確な復号器を持つことが不可欠である。 精度、最大可能性、デコーダは非常に高価であるが、より効率的なアルゴリズムに基づくデコーダは準最適性能を与える。 さらに、精度は、アイドリングキュービット、ゲート、測定、リセットの誤差率のモデルの品質と評価に依存し、典型的には対称なエラーチャネルを仮定する。 そこで本研究では,グラフニューラルネットワーク(GNN)を用いて,モデルフリーでデータ駆動型のデコーディングアプローチについて検討する。 復号問題は、ニューラルネットワークが最も起こりうる論理誤差クラスを予測する注釈付き検出器グラフに安定化器の測定セットをマッピングするグラフ分類タスクとして定式化される。 また, GNN ベースのデコーダは, 回路レベルノイズに対する整合デコーダよりも, 回路レベルノイズに対する整合デコーダの方が, たとえ整合デコーダが基礎となる誤差モデルの完全な情報を与えられたとしても, 模擬実験データのみを処理し, 回路レベルノイズに対する整合デコーダより優れることを示す。 トレーニングは計算的に要求されるが、推論は高速で、コードの時空体積とほぼ線形にスケールする。 また、繰り返しコードに対して、Google Quantum AI, Nature {\bf 614}, 676 (2023)] の実際の実験データの大規模なデータセットを使用することで、最小ウェイト完全マッチングと同等のデコード精度が得られることもわかりました。 その結果、デコードに対する純粋にデータ駆動のアプローチは、高速、精度、汎用性の点で競争力のある、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。

関連論文リスト

• 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)
• Neural network decoder for near-term surface-code experiments [0.7100520098029438]
  ニューラルネットワークデコーダは従来のデコーダに比べて論理的誤り率を低くすることができる。 これらのデコーダは物理エラー率に関する事前情報を必要としないため、高度に適応可能である。
  論文  参考訳（メタデータ） (2023-07-06T20:31:25Z)
• 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)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• 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)
• A Practical and Scalable Decoder for Topological Quantum Error Correction with Digital Annealer [0.5658123802733283]
  富士通デジタルアニール(DA)を用いた量子誤り訂正のための効率的でスケーラブルなデコーダを提案する。 特に,提案したDAデコーダを表面コードに実装し,様々なコードに対して詳細な数値実験を行い,その性能とスケーラビリティを検証した。 また、DAデコーダはハードウェア実装を含む様々な観点からUnion-Find(UF)デコーダよりも利点があることが示されている。
  論文  参考訳（メタデータ） (2022-03-29T07:48:51Z)
• 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)
• Performance of teleportation-based error correction circuits for bosonic codes with noisy measurements [58.720142291102135]
  テレポーテーションに基づく誤り訂正回路を用いて、回転対称符号の誤り訂正能力を解析する。 マイクロ波光学における現在達成可能な測定効率により, ボソニック回転符号の破壊ポテンシャルは著しく低下することが判明した。
  論文  参考訳（メタデータ） (2021-08-02T16:12:13Z)

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。