論文の概要: Log-Log Domain Sum-Product Algorithm for Information Reconciliation in Continuous-Variable Quantum Key Distribution

• arxiv url: http://arxiv.org/abs/2401.13748v1
• Date: Wed, 24 Jan 2024 19:05:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-26 16:33:54.478931
• Title: Log-Log Domain Sum-Product Algorithm for Information Reconciliation in Continuous-Variable Quantum Key Distribution
• Title（参考訳）: 連続可変量子鍵分布における情報再構成のためのログ領域Sum-Productアルゴリズム
• Authors: Erdem Eray Cil and Laurent Schmalen
• Abstract要約: 低密度パリティチェック符号を復号するための新しいlog-log domain sum-productアルゴリズム(SPA)を提案する。 このアルゴリズムはデコーダメッセージのビット幅を減らし、メモリフットプリントを小さくし、ハードウェア実装におけるリソース消費を小さくする。 以上の結果から,本アルゴリズムは従来のSPAと同等あるいはより優れた復号精度を実現し,少なくとも25%のビット幅を節約できることがわかった。
• 参考スコア（独自算出の注目度）: 6.30926369395004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a novel log-log domain sum-product algorithm (SPA) for decoding low-density parity-check (LDPC) codes in continuous-variable quantum key distribution (CV-QKD) systems. This algorithm reduces the fractional bit width of decoder messages, leading to a smaller memory footprint and a lower resource consumption in hardware implementation. We also provide practical insights for fixed-point arithmetic and compare our algorithm with the conventional SPA in terms of performance and complexity. Our results show that our algorithm achieves comparable or better decoding accuracy than the conventional SPA while saving at least $25\%$ of the fractional bit width.
• Abstract（参考訳）: 本稿では、連続可変量子鍵分布(CV-QKD)システムにおいて、低密度パリティチェック(LDPC)符号を復号するための新しいログ領域和積アルゴリズム(SPA)を提案する。 このアルゴリズムはデコーダメッセージのビット幅を小さくし、メモリフットプリントを小さくし、ハードウェア実装におけるリソース消費を小さくする。 また,不動点演算の実用的知見を提供し,性能と複雑性の観点から従来のspaと比較した。 その結果,本アルゴリズムは従来のspaと同等かそれ以上の復号精度を達成でき,ビット幅の少なくとも$25\%を節約できることがわかった。

関連論文リスト

• 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)
• Provably Efficient Information-Directed Sampling Algorithms for Multi-Agent Reinforcement Learning [50.92957910121088]
  本研究は,情報指向サンプリング(IDS)の原理に基づくマルチエージェント強化学習(MARL)のための新しいアルゴリズムの設計と解析を行う。 エピソディックな2プレーヤゼロサムMGに対して、ナッシュ平衡を学習するための3つのサンプル効率アルゴリズムを提案する。 我々は、Reg-MAIDSをマルチプレイヤー汎用MGに拡張し、ナッシュ平衡または粗相関平衡をサンプル効率良く学習できることを証明する。
  論文  参考訳（メタデータ） (2024-04-30T06:48:56Z)
• The role of quantum and classical correlations in shrinking algorithms for optimization [0.0]
  最適化問題(COP)における縮小アルゴリズムの性能について検討する。 量子近似最適化アルゴリズム (QAOA) と古典線形計画法 (LP) と半定値計画法 (SDP) の相関によるアルゴリズムの性能の比較を行った。 その結果、LPは低密度のインスタンスに対して他の全てのアプローチよりも優れており、SDPは高密度の問題に対して優れていた。
  論文  参考訳（メタデータ） (2024-04-26T08:29:04Z)
• A Meta-Learning Based Precoder Optimization Framework for Rate-Splitting Multiple Access [53.191806757701215]
  本稿では,トランスミッタ(CSIT)における部分チャネル状態情報を持つRSMAプリコーダを直接最適化するために,メタラーニングに基づく事前コーダ最適化フレームワークを提案する。 コンパクトニューラルネットワークのオーバーフィッティングを利用して、ASR(Average Sum-Rate)表現を最大化することにより、実行時間を最小化しながら、他のトレーニングデータの必要性を効果的に回避する。 数値的な結果から,メタラーニングに基づく解は,中規模シナリオにおける従来のプリコーダ最適化に類似したASR性能を実現し,大規模シナリオにおける準最適低複雑性プリコーダアルゴリズムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-07-17T20:31:41Z)
• Improving Quantum Computation by Optimized Qubit Routing [0.0]
  スワップ挿入による量子ビットルーティングのための高品質な分解手法を提案する。 この最適化問題は、特定の量子ハードウェアに量子アルゴリズムをコンパイルする文脈で発生する。 本稿では,統合割当問題とトークンスワップ問題に対する数値計算結果について述べる。
  論文  参考訳（メタデータ） (2022-06-02T20:32:18Z)
• Finite-Bit Quantization For Distributed Algorithms With Linear Convergence [6.293059137498172]
  量子化された通信対象のメッシュネットワーク上での(強い凸)複合最適化問題に対する分散アルゴリズムについて検討する。 通信効率のよい符号化方式と結合した新しい量子化器を提案し, バイアス圧縮(BC-)ルールを効率的に実装した。 数値計算により,提案手法を応用した分散アルゴリズムは,既存の量子化規則を用いたアルゴリズムよりも,通信の複雑さが高いことが示された。
  論文  参考訳（メタデータ） (2021-07-23T15:31:31Z)
• Qubit-efficient entanglement spectroscopy using qubit resets [0.0]
  NISQデバイス上でのエンタングルメント分光のための量子ビット効率の量子アルゴリズムを開発した。 我々のアルゴリズムは、ノイズの存在下で同様の性能を保ちながら、従来のどの効率的なアルゴリズムよりも少ない量子ビットを使用する。 また、量子ビットリセット回路に適した標準回路深さの一般化として、有効回路深さの概念を導入する。
  論文  参考訳（メタデータ） (2020-10-06T23:22:57Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
  離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。 この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。 古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-01T18:43:32Z)
• A Study of Performance of Optimal Transport [16.847501106437534]
  本稿では,ネットワークの単純化と拡張パスに基づくアルゴリズムが,数値行列スケーリング法より一貫して優れていることを示す。 古典的なKuhn-Munkresアルゴリズムを改良した新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-03T20:37:05Z)
• On Thompson Sampling with Langevin Algorithms [106.78254564840844]
  多武装バンディット問題に対するトンプソンサンプリングは理論と実践の両方において良好な性能を享受する。 計算上のかなりの制限に悩まされており、反復ごとに後続分布からのサンプルを必要とする。 本稿では,この問題に対処するために,トンプソンサンプリングに適した2つのマルコフ連鎖モンテカルロ法を提案する。
  論文  参考訳（メタデータ） (2020-02-23T22:35:29Z)

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。