論文の概要: Graph Neural Networks for Enhanced Decoding of Quantum LDPC Codes
- arxiv url: http://arxiv.org/abs/2310.17758v2
- Date: Mon, 6 Nov 2023 20:44:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 22:07:43.274803
- Title: Graph Neural Networks for Enhanced Decoding of Quantum LDPC Codes
- Title(参考訳): 量子LDPC符号の復号化のためのグラフニューラルネットワーク
- Authors: Anqi Gong, Sebastian Cammerer, Joseph M. Renes
- Abstract要約: 量子低密度パリティチェック(LDPC)符号に対する微分可能な反復デコーダを提案する。
提案アルゴリズムは,古典的信念伝達(BP)復号段階と中間グラフニューラルネットワーク(GNN)層から構成される。
- 参考スコア(独自算出の注目度): 6.175503577352742
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose a fully differentiable iterative decoder for quantum
low-density parity-check (LDPC) codes. The proposed algorithm is composed of
classical belief propagation (BP) decoding stages and intermediate graph neural
network (GNN) layers. Both component decoders are defined over the same sparse
decoding graph enabling a seamless integration and scalability to large codes.
The core idea is to use the GNN component between consecutive BP runs, so that
the knowledge from the previous BP run, if stuck in a local minima caused by
trapping sets or short cycles in the decoding graph, can be leveraged to better
initialize the next BP run. By doing so, the proposed decoder can learn to
compensate for sub-optimal BP decoding graphs that result from the design
constraints of quantum LDPC codes. Since the entire decoder remains
differentiable, gradient descent-based training is possible. We compare the
error rate performance of the proposed decoder against various post-processing
methods such as random perturbation, enhanced feedback, augmentation, and
ordered-statistics decoding (OSD) and show that a carefully designed training
process lowers the error-floor significantly. As a result, our proposed decoder
outperforms the former three methods using significantly fewer post-processing
attempts. The source code of our experiments is available online.
- Abstract(参考訳): 本研究では,量子低密度パリティチェック(LDPC)符号に対する完全微分可能な反復デコーダを提案する。
提案アルゴリズムは,古典的信念伝達(BP)復号段階と中間グラフニューラルネットワーク(GNN)層から構成される。
両方のコンポーネントデコーダは同じスパースデコードグラフ上で定義され、大きなコードへのシームレスな統合とスケーラビリティを実現する。
核となるアイデアは、連続するbp実行間でgnnコンポーネントを使用することであり、前回のbp実行からの知識が、デコードグラフのセットや短いサイクルをトラッピングすることによって引き起こされるローカルなミニマに詰まれば、次のbp実行をより初期化するために活用できる。
これにより、提案するデコーダは、量子LDPC符号の設計制約から生じる準最適BPデコーダグラフの補償を学ぶことができる。
デコーダ全体が微分可能であるため、勾配降下に基づくトレーニングが可能である。
提案手法は,ランダム摂動,強化フィードバック,拡張,順序統計復号 (osd) などの後処理手法と比較し,注意深く設計した学習プロセスが誤差床を著しく低下させることを示す。
その結果,提案するデコーダは,処理後試行回数を大幅に減らして,従来の3つの手法よりも優れていた。
実験のソースコードはオンラインで入手できます。
関連論文リスト
- An almost-linear time decoding algorithm for quantum LDPC codes under circuit-level noise [0.562479170374811]
我々は、量子低密度パリティチェック符号のほぼ線形時間デコーダとして、信念伝播と順序付きタナーフォレスト(BP+OTF)アルゴリズムを導入する。
BP+OTFデコーダは,最先端のインバージョンベースデコーダの桁数で論理誤差を抑えることができることを示す。
論文 参考訳(メタデータ) (2024-09-02T19:50:57Z) - Breadth-first graph traversal union-find decoder [0.0]
我々はその実装を単純化し、潜在的な復号速度の利点を提供するUnion-findデコーダの変種を開発する。
これらの手法が、非トポロジカル量子低密度パリティチェック符号のデコードにどのように適用できるかを示す。
論文 参考訳(メタデータ) (2024-07-22T18:54:45Z) - 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) - Neural Belief Propagation Decoding of Quantum LDPC Codes Using
Overcomplete Check Matrices [60.02503434201552]
元のチェック行列における行の線形結合から生成された冗長な行を持つチェック行列に基づいてQLDPC符号を復号する。
このアプローチは、非常に低い復号遅延の利点を付加して、復号性能を著しく向上させる。
論文 参考訳(メタデータ) (2022-12-20T13:41:27Z) - A Scalable Graph Neural Network Decoder for Short Block Codes [49.25571364253986]
エッジ重み付きグラフニューラルネットワーク(EW-GNN)に基づく短絡符号の復号化アルゴリズムを提案する。
EW-GNNデコーダは、繰り返しメッセージパッシング構造を持つタナーグラフで動作する。
EW-GNNデコーダは,復号誤り率の観点から,BP法および深層学習に基づくBP法より優れていることを示す。
論文 参考訳(メタデータ) (2022-11-13T17:13:12Z) - Denoising Diffusion Error Correction Codes [92.10654749898927]
近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。
最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。
本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
論文 参考訳(メタデータ) (2022-09-16T11:00:50Z) - 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) - 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。