論文の概要: qecGPT: decoding Quantum Error-correcting Codes with Generative Pre-trained Transformers

• arxiv url: http://arxiv.org/abs/2307.09025v1
• Date: Tue, 18 Jul 2023 07:34:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 16:03:56.649242
• Title: qecGPT: decoding Quantum Error-correcting Codes with Generative Pre-trained Transformers
• Title（参考訳）: qecgpt: 生成プリトレーニングトランスを用いた量子誤り訂正符号の復号化
• Authors: Hanyan Cao, Feng Pan, Yijia Wang, Pan Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.392298820599664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a general framework for decoding quantum error-correcting codes with generative modeling. The model utilizes autoregressive neural networks, specifically Transformers, to learn the joint probability of logical operators and syndromes. This training is in an unsupervised way, without the need for labeled training data, and is thus referred to as pre-training. After the pre-training, the model can efficiently compute the likelihood of logical operators for any given syndrome, using maximum likelihood decoding. It can directly generate the most-likely logical operators with computational complexity $\mathcal O(2k)$ in the number of logical qubits $k$, which is significantly better than the conventional maximum likelihood decoding algorithms that require $\mathcal O(4^k)$ computation. Based on the pre-trained model, we further propose refinement to achieve more accurately the likelihood of logical operators for a given syndrome by directly sampling the stabilizer operators. We perform numerical experiments on stabilizer codes with small code distances, using both depolarizing error models and error models with correlated noise. The results show that our approach provides significantly better decoding accuracy than the minimum weight perfect matching and belief-propagation-based algorithms. Our framework is general and can be applied to any error model and quantum codes with different topologies such as surface codes and quantum LDPC codes. Furthermore, it leverages the parallelization capabilities of GPUs, enabling simultaneous decoding of a large number of syndromes. Our approach sheds light on the efficient and accurate decoding of quantum error-correcting codes using generative artificial intelligence and modern computational power.
• Abstract（参考訳）: 生成モデルを用いて量子誤り訂正符号を復号する一般的なフレームワークを提案する。 このモデルは自己回帰型ニューラルネットワーク、特にトランスフォーマーを使用して論理演算子とシンドロームの合同確率を学習する。 このトレーニングは教師なしの方法で、ラベル付きトレーニングデータを必要としないため、事前トレーニングと呼ばれる。 事前学習後、モデルは任意のシンドロームに対する論理演算子の確率を最大値復号を用いて効率的に計算することができる。 計算量$\mathcal o(2k)$の論理量子ビット数で、最もよく似た論理演算子を直接生成できるが、これは$\mathcal o(4^k)$計算を必要とする従来の最大確率復号アルゴリズムよりもはるかに優れている。 さらに,事前学習モデルに基づき,スタビライザ演算子を直接サンプリングすることにより,所定のシンドロームに対する論理演算子の可能性をより正確に得るための改良を提案する。 我々は,符号距離が小さい安定化器符号の数値実験を行い,非偏極誤差モデルと相関雑音のある誤差モデルの両方を用いた。 その結果,本手法は最小重みの完全マッチングや信念伝達に基づくアルゴリズムよりも復号精度が著しく向上することがわかった。 当社のフレームワークは一般的なもので,表面コードや量子ldpcコードなど,さまざま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可能です。 さらに、GPUの並列化機能を活用し、多数のシンドロームの同時復号を可能にする。 我々のアプローチは、生成人工知能と現代の計算力を用いた量子誤り訂正符号の効率的かつ正確な復号化に光を当てている。

関連論文リスト

• Algorithmic Fault Tolerance for Fast Quantum Computing [37.448838730002905]
  本研究では,幅広い種類の量子コードに対して,一定の時間オーバーヘッドでフォールトトレラントな論理演算を実行できることを示す。 理想的な測定結果分布からの偏差をコード距離で指数関数的に小さくできることを示す。 我々の研究は、フォールトトレランスの理論に新たな光を当て、実用的なフォールトトレラント量子計算の時空間コストを桁違いに削減する可能性がある。
  論文  参考訳（メタデータ） (2024-06-25T15:43:25Z)
• Transformer-QEC: Quantum Error Correction Code Decoding with Transferable Transformers [18.116657629047253]
  本稿では,変圧器を用いた量子誤り訂正(QEC)デコーダを提案する。 全ての入力症候群にまたがるグローバルな受容野を達成するために、自己認識を用いる。 これは、局所的な物理的エラーとグローバルなパリティラベルの損失を組み合わせた混合損失トレーニングアプローチを取り入れている。
  論文  参考訳（メタデータ） (2023-11-27T18:52:25Z)
• 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)
• CORE: Common Random Reconstruction for Distributed Optimization with Provable Low Communication Complexity [110.50364486645852]
  コミュニケーションの複雑さは、トレーニングをスピードアップし、マシン番号をスケールアップする上で、大きなボトルネックになっています。 本稿では,機械間で送信される情報を圧縮するための共通Om REOmを提案する。
  論文  参考訳（メタデータ） (2023-09-23T08:45:27Z)
• 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)
• 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)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)
• Quantum Sparse Coding [5.130440339897477]
  我々はスパース符号化のための量子インスピレーション付きアルゴリズムを開発した。 量子コンピュータとイジングマシンの出現は、より正確な推定につながる可能性がある。 我々はLightrの量子インスパイアされたデジタルプラットフォーム上でシミュレーションデータを用いて数値実験を行う。
  論文  参考訳（メタデータ） (2022-09-08T13:00:30Z)
• Predictive Coding Approximates Backprop along Arbitrary Computation Graphs [68.8204255655161]
  我々は、コア機械学習アーキテクチャを予測的符号化に翻訳する戦略を開発する。 私たちのモデルは、挑戦的な機械学習ベンチマークのバックプロップと同等に機能します。 本手法は,ニューラルネットワークに標準機械学習アルゴリズムを直接実装できる可能性を高める。
  論文  参考訳（メタデータ） (2020-06-07T15:35:47Z)

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。