論文の概要: Neural Decoders for Universal Quantum Algorithms

• arxiv url: http://arxiv.org/abs/2509.11370v1
• Date: Sun, 14 Sep 2025 17:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.055108
• Title: Neural Decoders for Universal Quantum Algorithms
• Title（参考訳）: ユニバーサル量子アルゴリズムのためのニューラルデコーダ
• Authors: J. Pablo Bonilla Ataides, Andi Gu, Susanne F. Yelin, Mikhail D. Lukin,
• Abstract要約: モジュール型アテンションベースニューラルデコーダを導入し,ゲートによる相関関係を学習する。 我々のデコーダは、最もエラーに近いデコーダに匹敵する高速な推論と論理的エラー率を達成する。 これらの結果は、量子コンピューティングの実用的で汎用的で高性能なツールとして、ニューラルデコーダを確立している。
• 参考スコア（独自算出の注目度）: 0.43553942673960666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fault-tolerant quantum computing demands decoders that are fast, accurate, and adaptable to circuit structure and realistic noise. While machine learning (ML) decoders have demonstrated impressive performance for quantum memory, their use in algorithmic decoding - where logical gates create complex error correlations - remains limited. We introduce a modular attention-based neural decoder that learns gate-induced correlations and generalizes from training on random circuits to unseen multi-qubit algorithmic workloads. Our decoders achieve fast inference and logical error rates comparable to most-likely-error (MLE) decoders across varied circuit depths and qubit counts. Addressing realistic noise, we incorporate loss-resolving readout, yielding substantial gains when qubit loss is present. We further show that by tailoring the decoder to the structure of the algorithm and decoding only the relevant observables, we can simplify the decoder design without sacrificing accuracy. We validate our framework on multiple error correction codes - including surface codes and 2D color codes - and demonstrate state-of-the-art performance under circuit-level noise. Finally, we show that the use of attention offers interpretability by identifying the most relevant correlations being tracked by the decoder. Enabling experimental validation of deep-circuit fault-tolerant algorithms and architectures (Bluvstein et al., arXiv:2506.20661, 2025), these results establish neural decoders as practical, versatile, and high-performance tools for quantum computing.
• Abstract（参考訳）: フォールトトレラントな量子コンピューティングは、高速で正確で、回路構造や現実的なノイズに適応可能なデコーダを必要とする。 機械学習(ML)デコーダは量子メモリの性能を誇示しているが、アルゴリズムによるデコード(論理ゲートが複雑なエラー相関を生成する)は依然として限られている。 モジュール型アテンションベースのニューラルデコーダを導入し、ゲートによる相関関係を学習し、ランダム回路のトレーニングから目に見えないマルチキュービットアルゴリズムのワークロードまで一般化する。 我々のデコーダは、回路深度やキュービット数にまたがる、最も近いエラー(MLE)デコーダに匹敵する高速な推論と論理誤差率を達成する。 現実的な雑音に対処するため、損失解消の読み出しを取り入れ、クォービット損失が存在する場合、かなりの利得が得られる。 さらに、デコーダをアルゴリズムの構造に合わせて調整し、関連するオブザーバブルのみをデコードすることで、デコーダの設計を精度を犠牲にすることなく単純化できることを示す。 本研究では,複数誤り訂正符号(表面符号や2次元色符号を含む)について検証し,回路レベルの雑音下での最先端性能を実証する。 最後に、注意力の利用は、デコーダによって追跡される最も関連性の高い相関関係を特定することによって、解釈可能性をもたらすことを示す。 ディープ・サーキット・フォールトトレラント・アルゴリズムとアーキテクチャ(Bluvstein et al , arXiv:2506.20661, 2025)を実験的に検証した結果、ニューラルネットワークを実用的で汎用的で高性能な量子コンピューティングのツールとして確立した。

関連論文リスト

• Fast correlated decoding of transversal logical algorithms [67.01652927671279]
  大規模計算には量子エラー補正(QEC)が必要であるが、かなりのリソースオーバーヘッドが発生する。 近年の進歩により、論理ゲートからなるアルゴリズムにおいて論理キュービットを共同で復号化することにより、症候群抽出ラウンドの数を削減できることが示されている。 ここでは、回路を介して伝播する関連する論理演算子製品を直接復号することで、回路の復号化の問題を修正する。
  論文  参考訳（メタデータ） (2025-05-19T18:00:00Z)
• Learning to decode logical circuits [26.510386591426112]
  データ中心のモジュラーデコーダフレームワークであるMulti-Core Circuit Decoder(MCCD)を導入する。 MCCDは単一の量子ビットとエンタングリングゲートの両方を統一されたフレームワークで処理する。 提案手法はディープ論理量子回路における復号化問題に対するノイズモデル解である。
  論文  参考訳（メタデータ） (2025-04-23T18:00:04Z)
• Generative Decoding for Quantum Error-correcting Codes [6.964959672843989]
  機械学習における生成モデリングを利用した復号化アルゴリズムを提案する。 自己回帰ニューラルネットワークを用いて、論理演算子とシンドロームの結合確率を教師なしで学習する。 提案手法は,実時間および高レートの量子誤り訂正符号をリアルタイムに復号化するための潜在的な解決策として,生成人工知能を強調している。
  論文  参考訳（メタデータ） (2025-03-27T11:08:03Z)
• Leveraging Atom Loss Errors in Fault Tolerant Quantum Algorithms [0.0]
  量子ビット損失に関連する誤差は、多くの量子ハードウェアシステムにおいて重要なノイズ源となっている。 我々はこれらの誤りを論理アルゴリズムで処理するための理論的枠組みを開発し、復号化手法と回路レベルの最適化を取り入れた。 我々は,小角合成のための玩具モデルを含むテレポーテーションに基づくアルゴリズムをシミュレートし,損失率の増加に伴い論理誤差率を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-02-27T21:59:25Z)
• Data-driven decoding of quantum error correcting codes using graph neural networks [0.0]
  グラフニューラルネットワーク(GNN)を用いたモデルフリーでデータ駆動型デコーディングアプローチについて検討する。 GNNベースのデコーダは、シミュレーションデータのみを与えられた表面コード上での回路レベルのノイズに対する整合デコーダよりも優れていることを示す。 その結果、デコードに対する純粋にデータ駆動型アプローチが、実用的な量子誤り訂正のための実行可能な選択肢である可能性が示唆された。
  論文  参考訳（メタデータ） (2023-07-03T17:25:45Z)
• 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)
• 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)

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。