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

• Degenerate quantum erasure decoding [7.6119527195998025]
  明示的なコードと効率的なデコーダを用いて、ニアキャパシティ性能を実現する方法を示す。 さらに、混合消去や非分極エラーなど、他のエラーモデルを扱うデコーダの可能性についても検討する。
  論文  参考訳（メタデータ） (2024-11-20T18:02:05Z)
• Accelerating Error Correction Code Transformers [56.75773430667148]
  本稿では,トランスを用いたデコーダの高速化手法を提案する。 最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
  論文  参考訳（メタデータ） (2024-10-08T11:07:55Z)
• 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)
• 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)
• 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)
• 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。