Fugu-MT 論文翻訳(概要): Convolutional neural network based decoders for surface codes

論文の概要: Convolutional neural network based decoders for surface codes

arxiv url: http://arxiv.org/abs/2312.03508v1
Date: Wed, 6 Dec 2023 14:07:31 GMT
ステータス: 処理完了
システム内更新日: 2023-12-07 14:45:03.532820
Title: Convolutional neural network based decoders for surface codes
Title（参考訳）: 畳み込みニューラルネットワークによる表面符号のデコーダ
Authors: Simone Bordoni and Stefano Giagu
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The decoding of error syndromes of surface codes with classical algorithms may slow down quantum computation. To overcome this problem it is possible to implement decoding algorithms based on artificial neural networks. This work reports a study of decoders based on convolutional neural networks, tested on different code distances and noise models. The results show that decoders based on convolutional neural networks have good performance and can adapt to different noise models. Moreover, explainable machine learning techniques have been applied to the neural network of the decoder to better understand the behaviour and errors of the algorithm, in order to produce a more robust and performing algorithm.
Abstract（参考訳）: 古典的なアルゴリズムによる表面符号のエラーシンドロームの復号化は量子計算を遅くする可能性がある。この問題を解決するために、ニューラルネットワークに基づく復号アルゴリズムを実装することができる。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について,異なる符号距離と雑音モデルを用いて検討した。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。さらに、より堅牢で実行可能なアルゴリズムを生成するために、デコーダのニューラルネットワークに説明可能な機械学習技術を適用して、アルゴリズムの振る舞いとエラーをよりよく理解している。

関連論文リスト

Verified Neural Compressed Sensing [58.98637799432153]
精度の高い計算タスクのために、初めて(私たちの知識を最大限に活用するために)証明可能なニューラルネットワークを開発します。極小問題次元(最大50)では、線形および双項線形測定からスパースベクトルを確実に回復するニューラルネットワークを訓練できることを示す。ネットワークの複雑さは問題の難易度に適応できることを示し、従来の圧縮センシング手法が証明不可能な問題を解く。
論文参考訳（メタデータ） (2024-05-07T12:20:12Z)
Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文参考訳（メタデータ） (2024-03-18T18:01:01Z)
Learning to Decode the Surface Code with a Recurrent, Transformer-Based Neural Network [11.566578424972406]
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。
論文参考訳（メタデータ） (2023-10-09T17:41:37Z)
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)
The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks [59.26515696183751]
ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
論文参考訳（メタデータ） (2023-06-30T17:59:13Z)
A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文参考訳（メタデータ） (2023-05-26T02:52:12Z)
Guaranteed Quantization Error Computation for Neural Network Model Compression [2.610470075814367]
ニューラルネットワークモデル圧縮技術は、産業システムの組み込みデバイス上でのディープニューラルネットワークの計算問題に対処することができる。統合されたニューラルネットワークは、フィードフォワードニューラルネットワークとその量子化されたバージョンから構築され、2つのニューラルネットワーク間の正確な出力差を生成する。
論文参考訳（メタデータ） (2023-04-26T20:21:54Z)
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)
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)
Predictive Coding: Towards a Future of Deep Learning beyond Backpropagation? [41.58529335439799]
ディープニューラルネットワークのトレーニングに使用されるエラーアルゴリズムのバックプロパゲーションは、ディープラーニングの成功に不可欠である。最近の研究は、このアイデアを、局所的な計算だけでニューラルネットワークを訓練できる汎用アルゴリズムへと発展させた。等価ディープニューラルネットワークに対する予測符号化ネットワークの柔軟性が大幅に向上することを示す。
論文参考訳（メタデータ） (2022-02-18T22:57:03Z)
Achieving Low Complexity Neural Decoders via Iterative Pruning [33.774970857450086]
ニューラルデコーダにおけるプルーフウェイトに対する反復的プルーニング手法について検討する。ウェイト数が少ないデコーダは、レイテンシが低く、複雑さも低い。これにより、計算能力に制限のあるモバイルや他のエッジデバイスに、ニューラルデコーダをより適合させることができる。
論文参考訳（メタデータ） (2021-12-11T18:33:08Z)

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。