論文の概要: Learning to Decode the Surface Code with a Recurrent, Transformer-Based Neural Network

• arxiv url: http://arxiv.org/abs/2310.05900v1
• Date: Mon, 9 Oct 2023 17:41:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-10 22:12:28.622630
• Title: Learning to Decode the Surface Code with a Recurrent, Transformer-Based Neural Network
• Title（参考訳）: リカレント・トランスフォーマー・ベースのニューラルネットワークによる表面コード復号の学習
• Authors: Johannes Bausch, Andrew W Senior, Francisco J H Heras, Thomas Edlich, Alex Davies, Michael Newman, Cody Jones, Kevin Satzinger, Murphy Yuezhen Niu, Sam Blackwell, George Holland, Dvir Kafri, Juan Atalaya, Craig Gidney, Demis Hassabis, Sergio Boixo, Hartmut Neven, Pushmeet Kohli
• Abstract要約: 本稿では,量子誤り訂正符号である表面符号の復号化を学習する,リカレントなトランスフォーマーベースニューラルネットワークを提案する。 われわれのデコーダは、GoogleのSycamore量子プロセッサからの距離3と5の表面コードのための実世界のデータに対して、最先端のアルゴリズムデコーダより優れています。
• 参考スコア（独自算出の注目度）: 11.566578424972406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum error-correction is a prerequisite for reliable quantum computation. Towards this goal, we present a recurrent, transformer-based neural network which learns to decode the surface code, the leading quantum error-correction code. Our decoder outperforms state-of-the-art algorithmic decoders on real-world data from Google's Sycamore quantum processor for distance 3 and 5 surface codes. On distances up to 11, the decoder maintains its advantage on simulated data with realistic noise including cross-talk, leakage, and analog readout signals, and sustains its accuracy far beyond the 25 cycles it was trained on. Our work illustrates the ability of machine learning to go beyond human-designed algorithms by learning from data directly, highlighting machine learning as a strong contender for decoding in quantum computers.
• Abstract（参考訳）: 量子誤差補正は、信頼できる量子計算の前提条件である。 この目標に向けて,量子誤り訂正符号である表面符号の復号化を学習する,リカレントなトランスフォーマーベースニューラルネットワークを提案する。 このデコーダは, google の sycamore 量子プロセッサ による距離 3 および 5 の表面符号のリアルタイムデータに対する最先端アルゴリズムデコーダよりも優れている。 11までの距離では、デコーダはクロストーク、リーク、アナログ読み出し信号などの現実的なノイズを伴うシミュレーションデータに対する優位性を保ち、トレーニングされた25サイクルを超えて精度を維持できる。 私たちの研究は、データから直接学習することで、機械学習が人間設計のアルゴリズムを超える能力を示すもので、量子コンピュータにおけるデコーディングの強力な競争相手として機械学習を強調します。

関連論文リスト

• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Convolutional neural network based decoders for surface codes [0.0]
  本稿では,畳み込みニューラルネットワークに基づくデコーダの研究について報告する。 その結果,畳み込みニューラルネットワークに基づくデコーダの性能は良好であり,異なるノイズモデルに適応できることがわかった。
  論文  参考訳（メタデータ） (2023-12-06T14:07:31Z)
• Decoding algorithms for surface codes [0.0]
  現在、表面コードは、短期的エラー修正量子ビットを構築する最も有望な候補である。 アルゴリズムの復号化における重要な側面は、量子状態が時間の経過とともにさらなるエラーに遭うため、その速度である。 本稿では、これらの復号法の中核となる原理と、改良された結果の約束を示す既存の変種について述べる。
  論文  参考訳（メタデータ） (2023-07-27T16:34:52Z)
• 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)
• 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)
• 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)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)

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。