論文の概要: Learning to Decode in Parallel: Self-Coordinating Neural Network for Real-Time Quantum Error Correction

• arxiv url: http://arxiv.org/abs/2601.09921v1
• Date: Wed, 14 Jan 2026 23:04:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:18.914025
• Title: Learning to Decode in Parallel: Self-Coordinating Neural Network for Real-Time Quantum Error Correction
• Title（参考訳）: 並列で復号する学習:リアルタイム量子エラー補正のための自己調整ニューラルネットワーク
• Authors: Kai Zhang, Zhengzhong Yi, Shaojun Guo, Linghang Kong, Situ Wang, Xiaoyu Zhan, Tan He, Weiping Lin, Tao Jiang, Dongxin Gao, Yiming Zhang, Fangming Liu, Fang Zhang, Zhengfeng Ji, Fusheng Chen, Jianxin Chen,
• Abstract要約: 我々は,SOTAの精度と実時間量子誤り訂正に必要なスループットを同時に達成する,最初のスケーラブルでニューラルネットベースの並列デコーディングフレームワークを提案する。 我々は,本手法を用いて,1ラウンドあたり1us以内で最大25個の面符号を復号できる1個のTPU v6eを実証した。
• 参考スコア（独自算出の注目度）: 16.310410074065743
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fast, reliable decoders are pivotal components for enabling fault-tolerant quantum computation (FTQC). Neural network decoders like AlphaQubit have demonstrated potential, achieving higher accuracy than traditional human-designed decoding algorithms. However, existing implementations of neural network decoders lack the parallelism required to decode the syndrome stream generated by a superconducting logical qubit in real time. Moreover, integrating AlphaQubit with sliding window-based parallel decoding schemes presents non-trivial challenges: AlphaQubit is trained solely to output a single bit corresponding to the global logical correction for an entire memory experiment, rather than local physical corrections that can be easily integrated. We address this issue by training a recurrent, transformer-based neural network specifically tailored for parallel window decoding. While it still outputs a single bit, we derive training labels from a consistent set of local corrections and train on various types of decoding windows simultaneously. This approach enables the network to self-coordinate across neighboring windows, facilitating high-accuracy parallel decoding of arbitrarily long memory experiments. As a result, we overcome the throughput bottleneck that previously precluded the use of AlphaQubit-type decoders in FTQC. Our work presents the first scalable, neural-network-based parallel decoding framework that simultaneously achieves SOTA accuracy and the stringent throughput required for real-time quantum error correction. Using an end-to-end experimental workflow, we benchmark our decoder on the Zuchongzhi 3.2 superconducting quantum processor on surface codes with distances up to 7, demonstrating its superior accuracy. Moreover, we demonstrate that, using our approach, a single TPU v6e is capable of decoding surface codes with distances up to 25 within 1us per decoding round.
• Abstract（参考訳）: 高速で信頼性の高いデコーダは、フォールトトレラント量子計算(FTQC)を実現するための重要なコンポーネントである。 AlphaQubitのようなニューラルネットワークデコーダは、従来の人間設計のデコードアルゴリズムよりも高い精度を達成する可能性を示している。 しかし、既存のニューラルネットワークデコーダの実装では、超伝導論理量子ビットによって生成されたシンドロームストリームをリアルタイムで復号するために必要な並列性は欠如している。 さらに、AlphaQubitとスライディングウインドウベースの並列デコードスキームを統合することは、簡単な問題である: AlphaQubitは、簡単に統合できるローカル物理補正ではなく、グローバル論理補正に対応する単一のビットをメモリ実験全体に対して出力するように訓練されている。 我々は、並列ウィンドウデコーディングに特化して、リカレントなトランスフォーマーベースのニューラルネットワークをトレーニングすることで、この問題に対処する。 一つのビットを出力するが、一貫したローカル修正セットからトレーニングラベルを導出し、さまざまな種類のデコードウィンドウを同時にトレーニングする。 このアプローチにより、ネットワークは近隣のウィンドウをまたいで自己調整し、任意に長いメモリ実験の高精度な並列デコードを容易にする。 その結果,これまでFTQCでAlphaQubit型デコーダを使用できなかったスループットボトルネックを克服した。 我々の研究は、SOTA精度とリアルタイム量子誤り訂正に必要なスループットを同時に達成する、最初のスケーラブルでニューラルネットワークベースの並列デコーディングフレームワークを提示する。 エンド・ツー・エンドの実験ワークフローを用いて、Zuchongzhi 3.2超伝導量子プロセッサ上のデコーダを、最大7までの距離を持つ表面コード上でベンチマークし、より優れた精度を示す。 さらに,本手法を用いて,1ラウンドあたり1us以内で最大25個の面符号を復号化可能であることを示す。

関連論文リスト

• Learning Neural Decoding with Parallelism and Self-Coordination for Quantum Error Correction [7.184133388805955]
  既存のニューラルネットワークデコーダの実装には、超伝導論理量子ビットによって生成されたシンドロームストリームをリアルタイムで復号するために必要な並列性がない。 我々は、スライディングウインドウデコーディングに特化した、リカレントでトランスフォーマーベースのニューラルネットワークをトレーニングすることで、この問題に対処する。 このアプローチにより、ネットワークは近隣のウィンドウをまたいで自己調整し、任意に長いメモリ実験の高精度な並列デコードを容易にする。
  論文  参考訳（メタデータ） (2025-09-04T02:02:27Z)
• 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)
• Local Clustering Decoder: a fast and adaptive hardware decoder for the surface code [0.0]
  本稿では,リアルタイムデコードシステムの精度と速度要件を同時に達成するソリューションとしてローカルクラスタリングデコーダを紹介する。 我々のデコーダはFPGA上に実装され、ハードウェア並列性を利用して、最速のキュービットタイプにペースを保ちます。 通常の非適応復号法と比較して4倍少ない物理量子ビットを持つ100万個の誤りのない量子演算を可能にする。
  論文  参考訳（メタデータ） (2024-11-15T16:43:59Z)
• Transformer-QEC: Quantum Error Correction Code Decoding with Transferable Transformers [18.116657629047253]
  本稿では,変圧器を用いた量子誤り訂正(QEC)デコーダを提案する。 全ての入力症候群にまたがるグローバルな受容野を達成するために、自己認識を用いる。 これは、局所的な物理的エラーとグローバルなパリティラベルの損失を組み合わせた混合損失トレーニングアプローチを取り入れている。
  論文  参考訳（メタデータ） (2023-11-27T18:52:25Z)
• A Cryogenic Memristive Neural Decoder for Fault-tolerant Quantum Error Correction [0.0]
  インメモリ・クロスバー(IMC)アーキテクチャに基づくニューラルデコーダの設計と解析を行う。 ハードウェアを意識したリトレーニング手法を開発し、フィデリティ損失を軽減する。 この研究は、フォールトトレラントQECの統合のためのスケーラブルで高速で低消費電力のMCCハードウェアへの経路を提供する。
  論文  参考訳（メタデータ） (2023-07-18T17:46:33Z)
• 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)
• 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)
• 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)

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。