論文の概要: GAN decoder on a quantum toric code for noise-robust quantum teleportation
- arxiv url: http://arxiv.org/abs/2409.06984v2
- Date: Wed, 02 Apr 2025 00:37:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-03 13:16:08.046203
- Title: GAN decoder on a quantum toric code for noise-robust quantum teleportation
- Title（参考訳）: ノイズロス量子テレポーテーションのための量子トーリック符号上のGANデコーダ
- Authors: Jiaxin Li, Zhimin Wang, Alberto Ferrara, Yongjian Gu, Rosario Lo Franco,
- Abstract要約: GAN(Generative Adversarial Network)は、画像処理やデータ拡張などのアプリケーションにおいて、その価値を示す強力なディープラーニングモデルである。
我々は、GANベースの量子トポロジカルトリック符号デコーダを提案し、それを量子テレポーテーションプロトコルの考案に応用する。
- 参考スコア（独自算出の注目度）: 7.583519963745712
- License:
- Abstract: Generative adversarial network (GAN) is a strong deep learning model that has shown its value in applications such as image processing and data enhancement. Here, we propose a GAN-based quantum topological toric code decoder and we apply it to devise a quantum teleportation protocol which is robust to depolarizing noisy environments. We construct the generator and discriminator networks of GAN, train the network using the eigenvalue dataset of the toric code, and obtain an optimized decoder with a high decoding threshold compared to some existing decoders. The simulation experiments at code distances $d=3$ and $d=5$ show that the fidelity threshold of this GAN decoder is about $P=0.2108$, which is significantly larger than the threshold $P=0.1099$ of the classical decoding model. Also, the quantum teleportation protocol, optimized for noise resistance under $d=3$ and $d=5$ topological code, shows a fidelity improvement within the depolarizing noise threshold range of $P<0.06503$ and $P<0.07512$, respectively. With appropriate dataset training, the decoder can be adapted to other error models. More broadly, the proposed GAN model provides a novel approach for topological code decoders, offering a versatile framework for different types of noise processing.
- Abstract（参考訳）: GAN(Generative Adversarial Network)は、画像処理やデータ拡張などのアプリケーションにおいて、その価値を示す強力なディープラーニングモデルである。
本稿では、GANベースの量子トポロジカルトリック符号デコーダを提案し、ノイズ環境の非分極に頑健な量子テレポーテーションプロトコルを考案する。
我々は、GANのジェネレータと識別器ネットワークを構築し、トーリックコードの固有値データセットを用いてネットワークを訓練し、既存のデコーダと比較して高いデコードしきい値の最適化されたデコーダを得る。
符号距離$d=3$と$d=5$のシミュレーション実験は、このGANデコーダの忠実度閾値が約$P=0.2108$であり、古典的復号モデルのしきい値$P=0.1099$よりもかなり大きいことを示している。
また、$d=3$と$d=5$の耐雑音性に最適化された量子テレポーテーションプロトコルは、それぞれ$P<0.06503$と$P<0.07512$の脱分極雑音閾値範囲内での忠実性向上を示す。
適切なデータセットトレーニングでは、デコーダを他のエラーモデルに適合させることができる。
より広範に、提案されたGANモデルは、トポロジカルコードデコーダに新しいアプローチを提供し、様々な種類のノイズ処理のための汎用的なフレームワークを提供する。
関連論文リスト
- 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) - A Scalable, Fast and Programmable Neural Decoder for Fault-Tolerant
Quantum Computation Using Surface Codes [12.687083899824314]
量子誤り訂正符号(Quantum error-correcting codes, QECCs)は、量子アルゴリズムの実行の大きな障害である量子ノイズの負の効果を排除できる。
回転曲面符号(RSC)に対するFTQECの要件を満たすスケーラブルで高速でプログラム可能なニューラルデコーディングシステムを提案する。
本システムでは,197 nsのデコード遅延を極端に低くし,その精度はMWPMに近い。
論文 参考訳（メタデータ） (2023-05-25T06:23:32Z) - 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) - 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) - Denoising Diffusion Error Correction Codes [92.10654749898927]
近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。
最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。
本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
論文 参考訳（メタデータ） (2022-09-16T11:00:50Z) - A local pre-decoder to reduce the bandwidth and latency of quantum error
correction [3.222802562733787]
フォールトトレラントな量子コンピュータは、量子ハードウェアと対面する古典的な復号システムによってサポートされる。
本稿では,標準整合デコーダに送信されるシンドロームデータの量を削減するために,グリーディ補正を行うローカルプリデコーダを提案する。
プリデコーダを用いてグローバルデコーダのランタイムと通信帯域幅を大幅に改善する。
論文 参考訳（メタデータ） (2022-08-09T11:01:56Z) - 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) - Improved decoding of circuit noise and fragile boundaries of tailored
surface codes [61.411482146110984]
高速かつ高精度なデコーダを導入し、幅広い種類の量子誤り訂正符号で使用することができる。
我々のデコーダは、信仰マッチングと信念フィンドと呼ばれ、すべてのノイズ情報を活用し、QECの高精度なデモを解き放つ。
このデコーダは, 標準の正方形曲面符号に対して, 整形曲面符号において, より高いしきい値と低い量子ビットオーバーヘッドをもたらすことがわかった。
論文 参考訳（メタデータ） (2022-03-09T18:48:54Z) - Enhanced noise resilience of the surface-GKP code via designed bias [0.0]
本研究では,標準のシングルモード Gottesman-Kitaev-Preskill (GKP) コードと曲面コードとを連結して得られたコードについて検討する。
各モードに単一モードの一意化を適用すると、(ガウス)変位誤差に対するこの表面GKP符号の耐雑音性が向上することを示す。
論文 参考訳（メタデータ） (2020-04-01T16:08:52Z) - Your GAN is Secretly an Energy-based Model and You Should use
Discriminator Driven Latent Sampling [106.68533003806276]
本研究では,潜時空間におけるサンプリングは,潜時空間の前対数密度と判別器出力スコアの和によって誘導されるエネルギーベースモデルに従って,潜時空間におけるサンプリングを行うことによって達成できることを示す。
判別器駆動潜時サンプリング(DDLS)は,高次元画素空間で動作する従来の手法と比較して,高効率であることを示す。
論文 参考訳（メタデータ） (2020-03-12T23:33:50Z) - Deep Q-learning decoder for depolarizing noise on the toric code [0.0]
トーリック符号上の非分極雑音の量子誤差補正のためのAIベースの復号化エージェントを提案する。
エージェントは、深層強化学習(DRL)を使用してトレーニングされ、人工知能ニューラルネットワークは、エラー修正のための$X$、$Y$、および$Z$ Pauli操作の状態をQ値にエンコードする。
DRL型デコーダは,将来的なトポロジカル符号の誤り訂正のためのフレームワークとして期待できる。
論文 参考訳（メタデータ） (2019-12-30T13:27:07Z)
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。