論文の概要: Union-Intersection Union-Find for Decoding Depolarizing Errors in Topological Codes
- arxiv url: http://arxiv.org/abs/2506.14745v1
- Date: Tue, 17 Jun 2025 17:30:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-18 17:34:59.594073
- Title: Union-Intersection Union-Find for Decoding Depolarizing Errors in Topological Codes
- Title（参考訳）: トポロジカルコードにおけるデポロライズエラーの復号化のためのユニオン・インターセクション・ユニオン・フィールド
- Authors: Tzu-Hao Lin, Ching-Yi Lai,
- Abstract要約: 位相符号の非分極誤りを復号するUnion-Intersection Union-Find (UIUF)アルゴリズムを提案する。
UIUFはUnion-Findを著しく上回り、論理エラー率を1桁以上(約10～5ドル)下げることを示した。
- 参考スコア（独自算出の注目度）: 5.954511401622426
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we introduce the Union-Intersection Union-Find (UIUF) algorithm for decoding depolarizing errors in topological codes, combining the strengths of iterative and standard Union-Find (UF) decoding. While iterative UF improves performance at moderate error rates, it lacks an error correction guarantee. To address this, we develop UIUF, which maintains the enhanced performance of iterative UF while ensuring error correction up to half the code distance. Through simulations under code capacity, phenomenological, and biased noise models, we show that UIUF significantly outperforms UF, reducing the logical error rate by over an order of magnitude (at around $10^{-5}$). Moreover, UIUF achieves lower logical error rates than the Minimum Weight Perfect Matching (MWPM) decoder on rotated surface codes under both the code capacity and phenomenological noise models, while preserving efficient linear-time complexity.
- Abstract（参考訳）: 本稿では,位相符号の非分極誤りを復号化するためのUnion-Intersection Union-Find (UIUF)アルゴリズムを提案する。
反復UFは、適度なエラー率で性能を改善するが、エラー訂正の保証がない。
この問題を解決するためにUIUFを開発した。このUIUFは反復UFの性能を向上し、誤り訂正を最大半分のコード距離で保証する。
コードキャパシティ、現象論的、バイアスノイズモデルに基づくシミュレーションにより、UIUFはUFを著しく上回り、論理誤差率を1桁以上(約10〜5ドル)下げることを示した。
さらに、UIUFは、符号容量と現象ノイズモデルの両方の回転曲面符号上での最小重みマッチング(MWPM)デコーダよりも低い論理誤差率を達成すると同時に、効率的な線形時間複雑性を保っている。
関連論文リスト
- BF-Max: an Efficient Bit Flipping Decoder with Predictable Decoding Failure Rate [6.209770040937912]
Bit-Flipping (BF) デコーダはポスト量子暗号方式で広く使われている。
セキュリティ上の問題に対して、デコード失敗率(DFR)が無視可能であることを保証しなければならない。
我々はBFデコーダの新バージョンを導入し、BF-Maxと呼ぶ。
論文 参考訳（メタデータ） (2025-06-11T13:04:05Z) - Impact of Large Language Models of Code on Fault Localization [2.936007114555107]
本稿では,FLタスクのための大規模言語モデルの微調整のための,単純だが効果的なシーケンス生成手法を提案する。
具体的には、FLタスク用の代表エンコーダ、エンコーダデコーダ、デコーダベースの13のLLMCを微調整する。
実験結果から, LLMCは50.6%, 64.2%, 72.3%の誤差位置を検出できた。
論文 参考訳（メタデータ） (2024-08-19T02:36:07Z) - A blindness property of the Min-Sum decoding for the toric code [3.543432625843538]
北エフのトーリック符号は、フォールトトレラント量子計算の最も顕著なモデルの一つである。
近年,メッセージパス復号法におけるトーリック符号の誤り訂正性能の向上に力を入れている。
論文 参考訳（メタデータ） (2024-06-21T08:28:31Z) - 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) - FedNAR: Federated Optimization with Normalized Annealing Regularization [54.42032094044368]
ウェイト崩壊の選択を探索し、ウェイト崩壊値が既存のFLアルゴリズムの収束に有意な影響を及ぼすことを確かめる。
我々は,既存のFLアルゴリズムにシームレスに統合可能なプラグインであるFederated Optimization with Normalized Annealing Regularization (FedNAR)を開発した。
論文 参考訳（メタデータ） (2023-10-04T21:11:40Z) - An interpretation of Union-Find Decoder on Weighted Graphs [5.822760163522093]
Union-Find (UF) と Minimum-Weight Perfect Matching (MWPM) は、表面符号のデコーダとして人気がある。
UFデコーダとMWPMデコーダの解釈について述べる。
論文 参考訳（メタデータ） (2022-11-07T03:54:03Z) - Large-scale Optimization of Partial AUC in a Range of False Positive
Rates [51.12047280149546]
ROC曲線 (AUC) の下の領域は、機械学習において最も広く使われている分類モデルのパフォーマンス指標の1つである。
近年の封筒平滑化技術に基づく効率的な近似勾配降下法を開発した。
提案アルゴリズムは,効率のよい解法を欠くランク付けされた範囲損失の和を最小化するためにも利用できる。
論文 参考訳（メタデータ） (2022-03-03T03:46:18Z) - Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。
いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文 参考訳（メタデータ） (2021-03-01T08:25:26Z) - Delay Minimization for Federated Learning Over Wireless Communication
Networks [172.42768672943365]
無線通信ネットワーク上でのフェデレーション学習(FL)における遅延計算の問題について検討した。
最適解を得るために,二項探索アルゴリズムを提案する。
シミュレーションの結果,提案アルゴリズムは従来のFL法と比較して最大27.3%遅延を低減できることがわかった。
論文 参考訳（メタデータ） (2020-07-05T19:00:07Z)
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。