論文の概要: Decoder Performance in Hybrid CV-Discrete Surface-Code Threshold Estimation Using LiDMaS+

• arxiv url: http://arxiv.org/abs/2603.06730v1
• Date: Fri, 06 Mar 2026 03:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.000293
• Title: Decoder Performance in Hybrid CV-Discrete Surface-Code Threshold Estimation Using LiDMaS+
• Title（参考訳）: LiDMaS+を用いたハイブリッドCV離散表面符号閾値推定におけるデコーダ性能
• Authors: Dennis Delali Kwesi Wayo, Chinonso Onah, Vladimir Milchakov, Leonardo Goliatt, Sven Groppe,
• Abstract要約: 閾値推定はフォールトトレラント量子コンピューティングの中心であるが、報告された閾値はコードやノイズモデルだけでなく、シンドロームデータを解釈するデコーダにも依存する。 標準パウリノイズモデルとGKP方式のディジタル化を動機としたハイブリッド連続変数/離散モデルの両方による表面符号閾値推定の依存性について検討する。
• 参考スコア（独自算出の注目度）: 3.833542530785707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Threshold estimation is central to fault-tolerant quantum computing, but the reported threshold depends not only on the code and noise model, but also on the decoder used to interpret syndrome data. We study this dependence for surface-code threshold estimation under both a standard Pauli noise model and a hybrid continuous-variable/discrete model motivated by GKP-style digitization. Using LiDMaS+ as a common experimental platform, we compare minimum-weight perfect matching (MWPM) and Union-Find under matched sweep grids, matched distances, and deterministic seeding, and we additionally evaluate trained neural-guided MWPM in the hybrid regime. In the Pauli baseline at distance $d=5$, MWPM consistently outperforms Union-Find, reducing the mean sampled logical error rate from $0.384$ to $0.260$, and producing a stable threshold summary with crossing median $p_c \approx 0.053$. In the hybrid fixed-distance run, Union-Find is substantially worse than MWPM (mean LER $0.1657$ versus $0.1195$), while trained neural-guided MWPM tracks MWPM closely (mean LER $0.1158$). Across hybrid multi-distance sweeps, the distance-dependent reversal in logical-error ordering remains visible, but the grid-based crossing estimator still returns boundary-valued $σ_c=0.05$ for all decoders. Neural-guided runs also show elevated decoder-failure diagnostics at high noise ($\max$ decoder-failure rate $0.1335$ at $d=7,σ=0.60$), indicating that learned guidance quality and decoder robustness must be reported alongside threshold curves. These results show that decoder choice and estimator design both materially affect threshold inference.
• Abstract（参考訳）: 閾値推定はフォールトトレラント量子コンピューティングの中心であるが、報告された閾値はコードやノイズモデルだけでなく、シンドロームデータを解釈するデコーダにも依存する。 標準パウリノイズモデルとGKP方式のディジタル化を動機としたハイブリッド連続変数/離散モデルの両方に基づく表面符号閾値推定の依存性について検討する。 実験用プラットフォームとしてLiDMaS+を用いて, 一致した網網, 一致した距離, 決定論的シード条件下での最小重量完全マッチング (MWPM) とUnion-Findを比較し, ハイブリッドシステムにおける訓練された神経誘導MWPMの評価を行った。 距離$d=5$のパウリベースラインでは、MWPMは一貫してUnion-Findを上回り、平均的なサンプリングされた論理誤差率を0.384$から0.260$に下げ、中央値$p_c \approx 0.053$を渡る安定したしきい値サマリを生成する。 ハイブリッド固定距離走行では、Union-Find は MWPM (平均 LER $0.1657$ 対 0.1195$ 対 0.1195$) よりも著しく悪いが、ニューラル誘導された MWPM トラックは MWPM (平均 LER $0.1158$) に近い。 ハイブリッド・マルチディスタンス・スイープ全体にわたって、論理エラー順序の距離依存逆転は依然として見えているが、グリッドベースの交差推定器は、すべてのデコーダに対して境界値の$σ_c=0.05$を返す。 ニューラル誘導動作はまた、高ノイズでのデコーダ障害診断(\max$ decoder-failure rate $0.1335$ at $d=7,σ=0.60$)の上昇を示す。 これらの結果から,デコーダ選択と推定器設計はどちらも閾値推定に重大な影響を及ぼすことが示された。

関連論文リスト

• Decoding Correlated Errors in Quantum LDPC Codes [41.04211723135311]
  本稿では,回路レベルの雑音下での量子LDPC符号における相関誤差の復号化フレームワークを提案する。 提案手法のコアは、相関検出誤差モデルを変更する干渉法(GARI)のグラフ拡張と再配線である。 FPGA実装の予備的な結果は、この高い精度をリアルタイムに達成でき、デコードインスタンスの99.99%において、平均デコードレイテンシは273 ns、サブマイクロ秒レイテンシは99.99%であることを示している。
  論文  参考訳（メタデータ） (2025-10-15T19:59:05Z)
• Enhancing Fault-Tolerant Surface Code Decoding with Iterative Lattice Reweighting [12.330043396100635]
  本稿では,Iterative Reweighting Minimum-Weight Perfect Matching (IRMWPM)デコーダを提案する。 IRMWPMは論理誤差率を僅かな距離で20倍以上に下げることを示す。 また、精度の閾値を1%から1.16%に引き上げ、短期リアルタイムデコードに実用的である。
  論文  参考訳（メタデータ） (2025-09-08T14:45:59Z)
• GAN decoder on a quantum toric code for noise-robust quantum teleportation [21.80993228019571]
  本稿では,量子トポロジカルコードに対するGANに基づくデコーダを提案する。 偏極雑音下での量子テレポーテーションプロトコルの拡張に応用する。
  論文  参考訳（メタデータ） (2024-09-11T03:17:47Z)
• Role of Locality and Weight Sharing in Image-Based Tasks: A Sample Complexity Separation between CNNs, LCNs, and FCNs [42.551773746803946]
  視覚タスクは局所性と翻訳不変性の特性によって特徴づけられる。 これらのタスクにおける畳み込みニューラルネットワーク(CNN)の優れた性能は、そのアーキテクチャに埋め込まれた局所性や重み付けの帰納的バイアスに起因する。 CNNにおけるこれらのバイアスの統計的利点を、局所連結ニューラルネットワーク(LCN)と完全連結ニューラルネットワーク(FCN)で定量化しようとする試みは、以下のカテゴリに分類される。
  論文  参考訳（メタデータ） (2024-03-23T03:57:28Z)
• Robust Sparse Estimation for Gaussians with Optimal Error under Huber Contamination [42.526664955704746]
  本研究では,平均推定,PCA,線形回帰に着目したハマー汚染モデルにおけるスパース推定タスクについて検討する。 それぞれのタスクに対して、最適なエラー保証を備えた最初のサンプルと計算効率の良い頑健な推定器を与える。 技術レベルでは、スパース方式における新しい多次元フィルタリング法を開発し、他の応用を見出すことができる。
  論文  参考訳（メタデータ） (2024-03-15T15:51:27Z)
• Near Sample-Optimal Reduction-based Policy Learning for Average Reward MDP [58.13930707612128]
  この研究は、平均報酬マルコフ決定過程(AMDP)における$varepsilon$-Optimal Policyを得る際のサンプルの複雑さを考察する。 我々は、状態-作用対当たりの$widetilde O(H varepsilon-3 ln frac1delta)$サンプルを証明し、$H := sp(h*)$は任意の最適ポリシーのバイアスのスパンであり、$varepsilon$は精度、$delta$は失敗確率である。
  論文  参考訳（メタデータ） (2022-12-01T15:57:58Z)
• Denoising MCMC for Accelerating Diffusion-Based Generative Models [54.06799491319278]
  拡散モデルは、スコア関数を用いて拡散過程の逆をシミュレートし、ノイズからデータを合成する強力な生成モデルである。 本稿では,スコアベースサンプリングを高速化するアプローチを提案する。 DMCMC のインスタンスである Denoising Langevin Gibbs (DLG) が6つの逆S/ODE 計算タスクの高速化に成功していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T07:16:10Z)
• Offline Reinforcement Learning at Multiple Frequencies [62.08749079914275]
  本研究では、オフライン強化学習アルゴリズムが、トレーニング中に複数の周波数を混合したデータに対応できるかどうかについて検討する。 学習を安定させるために$Q$-valueの更新率で一貫性を強制する、単純だが効果的なソリューションを提案する。
  論文  参考訳（メタデータ） (2022-07-26T17:54:49Z)

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。