論文の概要: Surf-Deformer: Mitigating Dynamic Defects on Surface Code via Adaptive Deformation

• arxiv url: http://arxiv.org/abs/2405.06941v3
• Date: Mon, 16 Sep 2024 12:28:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 02:15:45.236057
• Title: Surf-Deformer: Mitigating Dynamic Defects on Surface Code via Adaptive Deformation
• Title（参考訳）: Surf-Deformer: 適応変形による表面コード上の動的欠陥の軽減
• Authors: Keyi Yin, Xiang Fang, Yunong Shi, Travis Humble, Ang Li, Yufei Ding,
• Abstract要約: Surf-Deformerは適応的な欠陥軽減機能をシームレスに統合するコード変形フレームワークである。 基本ゲージ変換に基づく基本的な変形命令を複数作成する。 最小のキュービットリソースで、変形したコードのQEC能力をより効率的に復元する。
• 参考スコア（独自算出の注目度）: 15.118358070723183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce Surf-Deformer, a code deformation framework that seamlessly integrates adaptive defect mitigation functionality into the current surface code workflow. It crafts several basic deformation instructions based on fundamental gauge transformations, which can be combined to explore a larger design space than previous methods. This enables more optimized deformation processes tailored to specific defect situations, restoring the QEC capability of deformed codes more efficiently with minimal qubit resources. Additionally, we design an adaptive code layout that accommodates our defect mitigation strategy while ensuring efficient execution of logical operations. Our evaluation shows that Surf-Deformer outperforms previous methods by significantly reducing the end-to-end failure rate of various quantum programs by 35x to 70x, while requiring only about 50% of the qubit resources compared to the previous method to achieve the same level of failure rate. Ablation studies show that Surf-Deformer surpasses previous defect removal methods in preserving QEC capability and facilitates surface code communication by achieving nearly optimal throughput.
• Abstract（参考訳）: 本稿では,適応的欠陥軽減機能を現在のコードワークフローにシームレスに統合するコード変形フレームワークであるSurf-Deformerを紹介する。 基本的なゲージ変換に基づく基本的な変形命令を複数作成し、従来の方法よりも大きな設計空間を探索するために組み合わせることができる。 これにより、特定の欠陥状況に合わせてより最適化された変形プロセスが可能になり、最小のキュービットリソースで変形したコードのQEC能力をより効率的に復元することができる。 さらに、論理演算の効率的な実行を確保しつつ、欠陥軽減戦略に対応する適応的なコードレイアウトを設計する。 評価の結果,Surf-Deformerは,従来の手法に比べて約50%の量子ビットリソースしか必要とせず,様々な量子プログラムのエンドツーエンドの故障率を35倍から70倍に低下させることで,従来の手法よりも優れていた。 アブレーション研究により、Surf-DeformerはQEC能力の維持において従来の欠陥除去手法を超越し、ほぼ最適スループットを達成し、表面コード通信を容易にすることが示されている。

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)
• Causal Context Adjustment Loss for Learned Image Compression [72.7300229848778]
  近年,学習画像圧縮(lic)技術は,特にRD性能の点で従来の手法を上回りつつある。 現在の技術のほとんどは、自己回帰エントロピーモデルを備えたVAEベースで、デコードされた因果コンテキストを利用してRD性能を向上する。 本稿では,提案した因果文脈調整損失を用いて因果文脈を的確に調整する方法を初めて検討する。
  論文  参考訳（メタデータ） (2024-10-07T09:08:32Z)
• Low-Overhead Defect-Adaptive Surface Code with Bandage-Like Super-Stabilizers [4.146058318261507]
  欠陥格子上に表面コードを実装するための自動アダプタを導入する。 従来の手法とは異なり、このアダプタはより多くのキュービットを節約するために、新しく提案された包帯状超安定化器を利用する。 私たちの研究は、表面のコードを欠陥に適応させるという課題に対して、低オーバーヘッドで自動化されたソリューションを提示します。
  論文  参考訳（メタデータ） (2024-04-29T12:24:43Z)
• Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
  機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。 本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。 これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
  論文  参考訳（メタデータ） (2024-03-06T04:43:22Z)
• SANIA: Polyak-type Optimization Framework Leads to Scale Invariant Stochastic Algorithms [1.21748738176366]
  Adam、AdaGrad、AdaHessianといったテクニックは、対象関数の曲率を組み込むことで、探索が影響を受けるプリコンディショナーを利用する。 本稿では,これらの課題に対処するためにSANIAを提案する。
  論文  参考訳（メタデータ） (2023-12-28T21:28:08Z)
• Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
  我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。 GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
  論文  参考訳（メタデータ） (2023-12-19T06:06:30Z)
• Diffusion Generative Inverse Design [28.04683283070957]
  逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。 学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。 本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-05T08:32:07Z)
• Deep neural operators can serve as accurate surrogates for shape optimization: A case study for airfoils [3.2996060586026354]
  本研究では, 形状最適化を目的とし, 未確認翼まわりの流れ場を推定するためにDeepONetsを用いることを検討した。 本稿では,オンライン最適化コストを桁違いに削減しつつ,予測精度の劣化が少ない結果を示す。
  論文  参考訳（メタデータ） (2023-02-02T00:19:09Z)
• Towards Robust Blind Face Restoration with Codebook Lookup Transformer [94.48731935629066]
  ブラインドフェイスの修復は、しばしば補助的なガイダンスを必要とする非常に不適切な問題である。 学習した個別のコードブックを小さなプロキシ空間に配置し,ブラインドフェイスの復元をコード予測タスクとすることを示す。 我々は、低品質顔のグローバルな構成とコンテキストをモデル化するトランスフォーマーベースの予測ネットワーク、CodeFormerを提案する。
  論文  参考訳（メタデータ） (2022-06-22T17:58:01Z)
• A Simple Baseline for StyleGAN Inversion [133.5868210969111]
  StyleGANのインバージョンは、トレーニング済みのStyleGANを実際の顔画像編集タスクに使用できるようにする上で重要な役割を果たす。 既存の最適化ベースの手法は高品質な結果を生み出すことができるが、最適化には時間がかかることが多い。 StyleGANインバージョンのための新しいフィードフォワードネットワークを提示し、効率と品質の面で大幅に改善します。
  論文  参考訳（メタデータ） (2021-04-15T17:59:49Z)

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。