論文の概要: Transformer-QEC: Quantum Error Correction Code Decoding with
Transferable Transformers
- arxiv url: http://arxiv.org/abs/2311.16082v1
- Date: Mon, 27 Nov 2023 18:52:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 13:54:15.193387
- Title: Transformer-QEC: Quantum Error Correction Code Decoding with
Transferable Transformers
- Title(参考訳): Transformer-QEC:Transformable Transformerを用いた量子誤り訂正符号デコード
- Authors: Hanrui Wang and Pengyu Liu and Kevin Shao and Dantong Li and Jiaqi Gu
and David Z. Pan and Yongshan Ding and Song Han
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 18.116657629047253
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computing has the potential to solve problems that are intractable
for classical systems, yet the high error rates in contemporary quantum devices
often exceed tolerable limits for useful algorithm execution. Quantum Error
Correction (QEC) mitigates this by employing redundancy, distributing quantum
information across multiple data qubits and utilizing syndrome qubits to
monitor their states for errors. The syndromes are subsequently interpreted by
a decoding algorithm to identify and correct errors in the data qubits. This
task is complex due to the multiplicity of error sources affecting both data
and syndrome qubits as well as syndrome extraction operations. Additionally,
identical syndromes can emanate from different error sources, necessitating a
decoding algorithm that evaluates syndromes collectively. Although machine
learning (ML) decoders such as multi-layer perceptrons (MLPs) and convolutional
neural networks (CNNs) have been proposed, they often focus on local syndrome
regions and require retraining when adjusting for different code distances. We
introduce a transformer-based QEC decoder which employs self-attention to
achieve a global receptive field across all input syndromes. It incorporates a
mixed loss training approach, combining both local physical error and global
parity label losses. Moreover, the transformer architecture's inherent
adaptability to variable-length inputs allows for efficient transfer learning,
enabling the decoder to adapt to varying code distances without retraining.
Evaluation on six code distances and ten different error configurations
demonstrates that our model consistently outperforms non-ML decoders, such as
Union Find (UF) and Minimum Weight Perfect Matching (MWPM), and other ML
decoders, thereby achieving best logical error rates. Moreover, the transfer
learning can save over 10x of training cost.
- Abstract(参考訳): 量子コンピューティングは古典的システムにとって難解な問題を解決する可能性を持っているが、現代の量子デバイスにおける高いエラー率はしばしば有用なアルゴリズムの実行に許容可能な限界を超えている。
量子エラー補正(Quantum Error Correction, QEC)は、冗長性を利用し、複数のデータキュービットに量子情報を分散し、シンドロームキュービットを使用して状態のエラーを監視することでこれを緩和する。
その後、このシンドロームはデコードアルゴリズムによって解釈され、データキュービット内のエラーを特定し修正する。
このタスクは、データおよびシンドロームキュービットとシンドローム抽出操作の両方に影響を与えるエラーソースの多重性のため複雑である。
さらに、同一のシンドロームは異なるエラー源から発生し、同時にシンドロームを評価するデコードアルゴリズムを必要とする。
多層パーセプトロン(MLP)や畳み込みニューラルネットワーク(CNN)のような機械学習(ML)デコーダが提案されているが、それらはしばしば局所症候群領域に焦点を当て、異なるコード距離を調整する際に再訓練を必要とする。
本稿では,全ての入力症候群に対してグローバルな受容場を実現するために自己注意を用いたトランスフォーマーベースのQECデコーダを提案する。
これは、局所的な物理的エラーとグローバルパリティラベルの損失を組み合わせる混合損失トレーニングアプローチを取り入れている。
さらに、可変長入力に対するトランスフォーマーアーキテクチャ固有の適応性により、効率的なトランスファー学習が可能となり、デコーダは再トレーニングすることなく、様々なコード距離に適応できる。
6つのコード距離と10の異なるエラー構成の評価により、我々のモデルは、Union Find (UF) やMinimum Weight Perfect Matching (MWPM) などの非MLデコーダを一貫して上回り、最良の論理的エラー率を達成することを示した。
さらに、トランスファー学習はトレーニングコストの10倍以上を節約できる。
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) - A Cryogenic Memristive Neural Decoder for Fault-tolerant Quantum Error
Correction [0.0]
本稿では,インメモリコンピューティングアーキテクチャに基づくニューラルデコーダ推論アクセラレータの設計と性能解析について報告する。
ハードウェアを意識したトレーニング手法が開発され、精度の低下が軽減される。
この研究は、QECを統合するためのスケーラブルで高速で低消費電力のMCCハードウェアへの経路を提供する。
論文 参考訳(メタデータ) (2023-07-18T17:46:33Z) - 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) - Modular decoding: parallelizable real-time decoding for quantum
computers [55.41644538483948]
リアルタイム量子計算は、ノイズの多い量子ハードウェアによって生成されたデータのストリームから論理的な結果を取り出すことができる復号アルゴリズムを必要とする。
本稿では,デコーディングの精度を犠牲にすることなく,最小限の追加通信でこの問題に対処できるモジュールデコーディングを提案する。
本稿では,格子探索型耐故障ブロックのモジュールデコーディングの具体例であるエッジ頂点分解について紹介する。
論文 参考訳(メタデータ) (2023-03-08T19:26:10Z) - 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) - Soft Syndrome Decoding of Quantum LDPC Codes for Joint Correction of
Data and Syndrome Errors [10.200716411599831]
量子エラーは、主にシンドローム情報の測定を用いて検出・修正される。
本稿では,従来の離散化ステップを使わずに,この「ソフト」やアナログ情報を利用する。
改良型デコーダにおいて,本症候群から軟部情報を抽出する利点を示す。
論文 参考訳(メタデータ) (2022-05-04T22:00:32Z) - Error Correction Code Transformer [92.10654749898927]
本稿では,トランスフォーマーアーキテクチャを任意のブロック長で線形符号のソフトデコードに拡張することを提案する。
我々は,各チャネルの出力次元を高次元に符号化し,個別に処理すべきビット情報のより良い表現を行う。
提案手法は、トランスフォーマーの極端なパワーと柔軟性を示し、既存の最先端のニューラルデコーダを、その時間的複雑さのごく一部で大きなマージンで上回る。
論文 参考訳(メタデータ) (2022-03-27T15:25:58Z) - Matching and maximum likelihood decoding of a multi-round subsystem
quantum error correction experiment [1.2189422792863451]
重六角格子で接続された超伝導量子ビット上で量子誤差補正を行う。
フルプロセッサは、距離3の論理量子ビットを符号化し、耐故障症候群の測定を数ラウンド行うことができる。
完全整合デコーダの使用によって論理誤差が変化することを示す。
論文 参考訳(メタデータ) (2022-03-14T15:44:11Z) - 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) - FAID Diversity via Neural Networks [23.394836086114413]
LDPC(Low-Density Parity Check)符号のための有限アルファベット反復デコーダ(FAID)のデコーダの多様性を設計する新しいアプローチを提案する。
提案するデコーダの多様性は、繰り返し量子化ニューラルネットワーク(RQNN)をトレーニングしてFAIDを学習・設計することで達成される。
論文 参考訳(メタデータ) (2021-05-10T05:14:42Z)
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。