論文の概要: Optimizing hypergraph product codes with random walks, simulated annealing and reinforcement learning

• arxiv url: http://arxiv.org/abs/2501.09622v2
• Date: Fri, 17 Jan 2025 06:47:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 10:40:25.038486
• Title: Optimizing hypergraph product codes with random walks, simulated annealing and reinforcement learning
• Title（参考訳）: ランダムウォーク, 模擬焼鈍, 強化学習によるハイパーグラフ製品コードの最適化
• Authors: Bruno C. A. Freire, Nicolas Delfosse, Anthony Leverrier,
• Abstract要約: ハイパーグラフ製品は、2つの古典的なLDPCコードから構築された量子低密度パリティチェック(LDPC)コードである。 本研究では,量子消去チャネルに対する性能の最適化に焦点をあてる。 このチャネルの重要な利点は、効率的な最大形デコーダの存在である。
• 参考スコア（独自算出の注目度）: 4.642647756403864
• License:
• Abstract: Hypergraph products are quantum low-density parity-check (LDPC) codes constructed from two classical LDPC codes. Although their dimension and distance depend only on the parameters of the underlying classical codes, optimizing their performance against various noise channels remains challenging. This difficulty partly stems from the complexity of decoding in the quantum setting. The standard, ad hoc approach typically involves selecting classical LDPC codes with large girth. In this work, we focus on optimizing performance against the quantum erasure channel. A key advantage of this channel is the existence of an efficient maximum-likelihood decoder, which enables us to employ optimization techniques based on sampling random codes, such as Reinforcement Learning (RL) and Simulated Annealing (SA). Our results indicate that these techniques improve performance relative to the state-of-the-art.
• Abstract（参考訳）: ハイパーグラフ製品は、2つの古典的なLDPCコードから構築された量子低密度パリティチェック(LDPC)コードである。 それらの寸法と距離は、基礎となる古典符号のパラメータにのみ依存するが、様々なノイズチャネルに対して性能を最適化することは依然として困難である。 この困難は、部分的には量子環境における復号化の複雑さに起因している。 標準のアドホックなアプローチでは、通常、大きなガースを持つ古典的なLDPCコードを選択する。 本研究では,量子消去チャネルに対する性能の最適化に焦点をあてる。 このチャネルの重要な利点は、効率的な最大形デコーダの存在であり、これにより、Reinforcement Learning (RL) や Simulated Annealing (SA) のようなサンプリングランダムコードに基づく最適化手法を利用できる。 以上の結果から,これらの技術は最先端技術と比較して性能を向上させることが示唆された。

関連論文リスト

• Quantum Speedup for Polar Maximum Likelihood Decoding [3.190355298836875]
  本稿では,Grover適応探索アルゴリズムに基づく極性符号のための新しいMLデコードアーキテクチャを提案する。 提案する量子デコーディングは,クエリの複雑性を2次的に高速化しながら,ML性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-11-07T14:05:57Z)
• List Decodable Quantum LDPC Codes [49.2205789216734]
  我々は、ほぼ最適レート距離のトレードオフを持つ量子低密度パリティチェック(QLDPC)符号の構成を行う。 復号化可能なQLDPCコードとユニークなデコーダを効率よくリストアップする。
  論文  参考訳（メタデータ） (2024-11-06T23:08:55Z)
• Factor Graph Optimization of Error-Correcting Codes for Belief Propagation Decoding [62.25533750469467]
  低密度パリティ・チェック (LDPC) コードは、他の種類のコードに対していくつかの利点がある。 提案手法は,既存の人気符号の復号性能を桁違いに向上させる。
  論文  参考訳（メタデータ） (2024-06-09T12:08:56Z)
• Learning Linear Block Error Correction Codes [62.25533750469467]
  本稿では,バイナリ線形ブロック符号の統一エンコーダデコーダトレーニングを初めて提案する。 また,コード勾配の効率的なバックプロパゲーションのために,自己注意マスキングを行うトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-07T06:47:12Z)
• The Near-optimal Performance of Quantum Error Correction Codes [2.670972517608388]
  任意の符号と雑音に対する簡潔で最適化のない計量である準最適チャネル忠実度を導出する。 従来の最適化手法と比較して、計算コストの削減により、以前はアクセス不能なサイズであったシステムをシミュレートすることができる。 熱力学符号とGottesman-Kitaev-Preskill (GKP)符号のほぼ最適性能を解析的に導出した。
  論文  参考訳（メタデータ） (2024-01-04T01:44:53Z)
• Neural Belief Propagation Decoding of Quantum LDPC Codes Using Overcomplete Check Matrices [60.02503434201552]
  元のチェック行列における行の線形結合から生成された冗長な行を持つチェック行列に基づいてQLDPC符号を復号する。 このアプローチは、非常に低い復号遅延の利点を付加して、復号性能を著しく向上させる。
  論文  参考訳（メタデータ） (2022-12-20T13:41:27Z)
• On Quantum-Assisted LDPC Decoding Augmented with Classical Post-Processing [1.0498337709016812]
  本稿では,D-Wave 2000Q Quantum Annealer を用いた準拘束型バイナリ最適化(QUBO)について検討する。 シミュレーションアニーリング (SA) と信念伝搬 (BP) を用いた復号化性能を古典コンピュータで評価・比較した。
  論文  参考訳（メタデータ） (2022-04-21T08:01:39Z)
• 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)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。