論文の概要: On the interpretability of neural network decoders

• arxiv url: http://arxiv.org/abs/2502.20269v1
• Date: Thu, 27 Feb 2025 16:55:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:56:03.773838
• Title: On the interpretability of neural network decoders
• Title（参考訳）: ニューラルネットワークデコーダの解釈可能性について
• Authors: Lukas Bödeker, Luc J. B. Kusters, Markus Müller,
• Abstract要約: 我々は、NNデコーダの基盤となるデコードロジックを理解するために、機械学習の分野から確立された解釈可能性手法を利用する。 我々は、NNの特定の復号決定がどのように解釈できるかを示し、NNが、シンドロームとフラグキュービットの測定から得られる情報の基本構造を捉えることを学ぶ方法を明らかにする。
• 参考スコア（独自算出の注目度）: 1.4767596539913115
• License:
• Abstract: Neural-network (NN) based decoders are becoming increasingly popular in the field of quantum error correction (QEC), including for decoding of state-of-the-art quantum computation experiments. In this work, we make use of established interpretability methods from the field of machine learning, to introduce a toolbox to achieve an understanding of the underlying decoding logic of NN decoders, which have been trained but otherwise typically operate as black-box models. To illustrate the capabilities of the employed interpretability method, based on the Shapley value approximation, we provide an examplary case study of a NN decoder that is trained for flag-qubit based fault-tolerant (FT) QEC with the Steane code. We show how particular decoding decisions of the NN can be interpreted, and reveal how the NN learns to capture fundamental structures in the information gained from syndrome and flag qubit measurements, in order to come to a FT correction decision. Further, we show that the understanding of how the NN obtains a decoding decision can be used on the one hand to identify flawed processing of error syndrome information by the NN, resulting in decreased decoding performance, as well as for well-informed improvements of the NN architecture. The diagnostic capabilities of the interpretability method we present can help ensure successful application of machine learning for decoding of QEC protocols.
• Abstract（参考訳）: ニューラルネットワーク(NN)ベースのデコーダは、最先端の量子計算実験の復号を含む量子エラー補正(QEC)分野において、ますます人気が高まっている。 本研究では、機械学習の分野から確立された解釈可能性手法を用いて、NNデコーダの基盤となるデコードロジックを理解するためのツールボックスを導入する。 本稿では,Steane符号を用いたフラグ量子ビット型耐故障QEC(FT)を訓練したNNデコーダを,Shapley値近似に基づいて検討した。 本稿では,NNの特定の復号化決定がいかに解釈可能かを示すとともに,FT補正決定に至るために,シンドロームおよびフラグキュービット測定から得られる情報の基本構造を把握することを学ぶ方法を明らかにする。 さらに、NNがデコード決定をどのように取得するかを理解することで、NNによるエラーシンドローム情報の欠陥処理を識別し、デコード性能を低下させ、NNアーキテクチャを十分に改良することを示す。 本稿では,QECプロトコルの復号化に機械学習をうまく応用する上で,解釈可能性法の診断能力が有用であることを示す。

関連論文リスト

• On the Design and Performance of Machine Learning Based Error Correcting Decoders [3.8289109929360245]
  まず, 単一ラベル型ニューラルネットワーク (SLNN) とマルチラベル型ニューラルネットワーク (MLNN) のデコーダについて検討した。 次に、エラー訂正符号変換器(ECCT)とクロスアテンションメッセージパッシング変換器(CrossMPT)という、2つのトランスフォーマーベースのデコーダに注目します。
  論文  参考訳（メタデータ） (2024-10-21T11:23:23Z)
• Decoding Quantum LDPC Codes Using Graph Neural Networks [52.19575718707659]
  グラフニューラルネットワーク(GNN)に基づく量子低密度パリティチェック(QLDPC)符号の新しい復号法を提案する。 提案したGNNベースのQLDPCデコーダは,QLDPC符号のスパースグラフ構造を利用して,メッセージパスデコーダとして実装することができる。
  論文  参考訳（メタデータ） (2024-08-09T16:47:49Z)
• LightCode: Light Analytical and Neural Codes for Channels with Feedback [10.619569069690185]
  我々は,通信システムに適した低複雑さの符号化方式を設計することに注力する。 まず、Schalkwijk-Kailath (SK) と Gallager-Nakibouglu (GN) にインスパイアされた解析的符号化スキームであるPowerBlast が、SK と GN のスキームに対して顕著な信頼性向上を実現していることを示す。 次に、低SNR領域の信頼性を高めるために、既存のディープラーニングベースのコードと比較して、わずかなメモリと計算を使いながら、最先端の信頼性を実現する軽量ニューラルネットワークであるLightCodeを提案する。
  論文  参考訳（メタデータ） (2024-03-16T01:04:34Z)
• Advantage of Quantum Neural Networks as Quantum Information Decoders [1.1842028647407803]
  位相安定化器ハミルトンの基底空間に符号化された量子情報の復号化問題について検討する。 まず、標準安定化器に基づく誤り訂正と復号化方式が、そのような量子符号において適切に摂動可能であることを証明した。 次に、量子ニューラルネットワーク(QNN)デコーダが読み出し誤差をほぼ2次的に改善することを証明する。
  論文  参考訳（メタデータ） (2024-01-11T23:56:29Z)
• For One-Shot Decoding: Self-supervised Deep Learning-Based Polar Decoder [1.4964546566293881]
  極性符号のワンショット復号を可能にする自己教師付き深層学習に基づく復号法を提案する。 提案手法では、ニューラルネットワーク(NN)をトレーニングするラベルとして情報ビットベクトルを使用する代わりに、NNは有界距離デコーダとして機能するように訓練される。
  論文  参考訳（メタデータ） (2023-07-16T11:12:58Z)
• 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)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• A Scalable Graph Neural Network Decoder for Short Block Codes [49.25571364253986]
  エッジ重み付きグラフニューラルネットワーク(EW-GNN)に基づく短絡符号の復号化アルゴリズムを提案する。 EW-GNNデコーダは、繰り返しメッセージパッシング構造を持つタナーグラフで動作する。 EW-GNNデコーダは,復号誤り率の観点から,BP法および深層学習に基づくBP法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-13T17:13:12Z)
• 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)

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。