Fugu-MT 論文翻訳(概要): Simultaneous Discovery of Quantum Error Correction Codes and Encoders with a Noise-Aware Reinforcement Learning Agent

論文の概要: Simultaneous Discovery of Quantum Error Correction Codes and Encoders with a Noise-Aware Reinforcement Learning Agent

arxiv url: http://arxiv.org/abs/2311.04750v2
Date: Mon, 4 Mar 2024 17:39:26 GMT
ステータス: 処理完了
システム内更新日: 2024-03-07 01:36:30.674412
Title: Simultaneous Discovery of Quantum Error Correction Codes and Encoders with a Noise-Aware Reinforcement Learning Agent
Title（参考訳）: 雑音対応強化学習エージェントを用いた量子誤り訂正符号とエンコーダの同時発見
Authors: Jan Olle, Remmy Zen, Matteo Puviani, Florian Marquardt
Abstract要約: 本稿では,様々なノイズモデルのための符号化戦略を同時に生成することを学ぶ,ノイズ対応メタエージェントの概念を紹介する。私たちは数秒で多くのコードとエンコーダを生成し、コード距離は3から5まで、物理キュービットは最大20まで変化します。
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: Finding optimal ways to protect quantum states from noise remains an outstanding challenge across all quantum technologies, and quantum error correction (QEC) is the most promising strategy to address this issue. Constructing QEC codes is a complex task that has historically been powered by human creativity with the discovery of a large zoo of families of codes. However, in the context of real-world scenarios there are two challenges: these codes have typically been categorized only for their performance under an idealized noise model and the implementation-specific optimal encoding circuit is not known. In this work, we train a Deep Reinforcement Learning agent that automatically discovers both QEC codes and their encoding circuits for a given gate set, qubit connectivity, and error model. We introduce the concept of a noise-aware meta-agent, which learns to produce encoding strategies simultaneously for a range of noise models, thus leveraging transfer of insights between different situations. Moreover, thanks to the use of the stabilizer formalism and a vectorized Clifford simulator, our RL implementation is extremely efficient, allowing us to produce many codes and their encoders from scratch within seconds, with code distances varying from 3 to 5 and with up to 20 physical qubits. Our approach opens the door towards hardware-adapted accelerated discovery of QEC approaches across the full spectrum of quantum hardware platforms of interest.
Abstract（参考訳）: ノイズから量子状態を保護する最適な方法を見つけることは、全ての量子技術において際立った課題であり、量子エラー補正(QEC)はこの問題に対処する最も有望な戦略である。 QECコードの構築は、歴史的に人間の創造性を生かした複雑な作業であり、コードの大規模な動物園が発見された。しかし、現実のシナリオでは、2つの課題がある:これらの符号は典型的には理想的なノイズモデルの下での性能のみに分類され、実装固有の最適符号化回路は知られていない。本研究では,与えられたゲートセット,キュービット接続,エラーモデルに対して,qec符号とそのエンコーディング回路の両方を自動的に検出する深層強化学習エージェントを訓練する。本稿では,様々な雑音モデルに対して同時に符号化戦略を作成することを学び,異なる状況間の洞察の伝達を生かしたノイズ認識メタエージェントの概念を紹介する。さらに、安定化器形式とベクトル化クリフォードシミュレータを用いることにより、我々のRL実装は極めて効率的であり、多くのコードとエンコーダを1秒で生成でき、コード距離は3から5、最大20の物理量子ビットである。我々のアプローチは、量子ハードウェアプラットフォームの全領域にわたるQECアプローチのハードウェア適応型高速化発見への扉を開く。

関連論文リスト

From Easy to Hard: Tackling Quantum Problems with Learned Gadgets For Real Hardware [0.0]
強化学習は強力なアプローチであることが証明されているが、量子ビット上の可能な操作の空間の指数的スケーリングによって、多くの制限が残っている。本稿では,合成ゲートを自動的に学習するアルゴリズム($gadgets$)を開発し,探索を容易にするための強化学習エージェントに追加のアクションとして追加する。 GRLでは,TFIMの基底状態を最大107ドルの折り畳みで推定する際の誤差を改善する,非常にコンパクトなPQCが見つかる。
論文参考訳（メタデータ） (2024-10-31T22:02:32Z)
Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
超伝導プロセッサのための強化学習型量子コンパイラを開発した。短絡の新規・ハードウェア対応回路の発見能力を示す。本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
論文参考訳（メタデータ） (2024-06-18T01:49:48Z)
Near-optimal decoding algorithm for color codes using Population Annealing [44.99833362998488]
回復操作を高い確率で行うデコーダを実装した。異なる雑音モデルの下で4.8.8色符号格子上でのデコーダ性能について検討する。
論文参考訳（メタデータ） (2024-05-06T18:17:42Z)
Quantum Circuit Discovery for Fault-Tolerant Logical State Preparation with Reinforcement Learning [1.1891349121931318]
本稿では,コンパクトかつハードウェア対応のフォールトトレラント量子回路を自動検出する強化学習を提案する。耐故障性論理状態作成のタスクにおいて、RLは最大15個の物理量子ビットのハードウェア制約を伴わない結果よりも、ゲートと補助量子ビットの少ない回路を発見する。
論文参考訳（メタデータ） (2024-02-27T18:55:13Z)
QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文参考訳（メタデータ） (2024-01-10T22:33:00Z)
Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文参考訳（メタデータ） (2023-04-04T12:47:35Z)
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)
Decoding surface codes with deep reinforcement learning and probabilistic policy reuse [0.5999777817331317]
現在の量子ハードウェアは、ノイズのある中間スケール量子コンピュータ(NISQ)としても知られており、いまだに忠実に計算を行うことができない。近年の機械学習(ML)技術,特に強化学習(RL)手法がデコード問題に応用されている。本稿では,これらの復号化課題に対処する継続的強化学習手法を提案する。
論文参考訳（メタデータ） (2022-12-22T17:24:32Z)
Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文参考訳（メタデータ） (2022-04-18T21:45:13Z)
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)
Quantum Architecture Search via Continual Reinforcement Learning [0.0]
本稿では,量子回路アーキテクチャを構築するための機械学習手法を提案する。本稿では、この回路設計課題に取り組むために、ディープラーニング(PPR-DQL)フレームワークを用いた確率的ポリシー再利用を提案する。
論文参考訳（メタデータ） (2021-12-10T19:07:56Z)

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。