論文の概要: Fast and accurate AI-based pre-decoders for surface codes
- arxiv url: http://arxiv.org/abs/2604.12841v1
- Date: Tue, 14 Apr 2026 15:01:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.521514
- Title: Fast and accurate AI-based pre-decoders for surface codes
- Title（参考訳）: 表面コードのための高速で正確なAIベースプレデコーダ
- Authors: Christopher Chamberland, Jan Olle, Muyuan Li, Scott Thornton, Igor Baratta,
- Abstract要約: 我々は、低デコードランタイムで局所的並列エラー補正を行う、表面コードのためのスケーラブルなAIベースのプリデコーダを導入する。
このアーキテクチャはバックエンドに依存しず、サーフェスコード用に設計された任意のグローバルデコーディングアルゴリズムで構成される。
非相関なPyMatchingと統合されたパイプラインは、大きなコード距離で1ラウンドあたり$mathcalO(1テキスト)$のエンドツーエンドのデコードランタイムを達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fast, scalable decoding architectures that operate in a block-wise parallel fashion across space and time are essential for real-time fault-tolerant quantum computing. We introduce a scalable AI-based pre-decoder for the surface code that performs local, parallel error correction with low decoding runtimes, removing the majority of physical errors before passing residual syndromes to a downstream global decoder. This modular architecture is backend-agnostic and composes with arbitrary global decoding algorithms designed for surface codes, and our implementation is completely open source. Integrated with uncorrelated PyMatching, the pipeline achieves end-to-end decoding runtimes of order $\mathcal{O}(1 μ\text{s})$ per round at large code distances on NVIDIA GB300 GPUs while reducing logical error rates (LERs) relative to global decoding alone. In a block-wise parallel decoding scheme with access to multiple GPUs, the decoding runtime can be reduced to well below $\mathcal{O}(1 μ\text{s})$ per round. We observe further LER improvements by training a larger model, outperforming correlated PyMatching up to distance-13. We additionally introduce a noise-learning architecture that infers decoding weights directly from experimentally accessible syndrome statistics without requiring an explicit circuit-level noise model. We show that purely data-driven graph weight estimation can nearly match uncorrelated PyMatching and exceed correlated PyMatching in certain regimes, enabling highly-optimized decoding when hardware noise models are unknown or time-varying, as well as training pre-decoders with realistic noise models. Together, these results establish a practical, modular, and high-throughput decoding framework suitable for large-distance surface-code implementations.
- Abstract（参考訳）: 高速でスケーラブルなデコードアーキテクチャは、リアルタイムなフォールトトレラント量子コンピューティングにおいて、空間と時間にわたってブロックワイズに並列に動作する。
我々は、低デコードランタイムでローカルで並列なエラー訂正を行う表面コードのためのスケーラブルなAIベースのプリデコーダを導入し、残像シンドロームをダウンストリームグローバルデコーダに渡す前に、物理エラーの大部分を除去する。
このモジュラーアーキテクチャはバックエンドに依存しず、サーフェスコード用に設計された任意のグローバルデコーディングアルゴリズムで構成され、我々の実装は完全にオープンソースです。
非相関なPyMatchingと統合されたパイプラインは、グローバルデコーディングのみと比較して論理エラー率(LER)を低減しつつ、NVIDIA GB300 GPU上の大きなコード距離で1ラウンド当たり$$\mathcal{O}(1 μ\text{s})$のエンドツーエンドデコーディングランタイムを達成する。
複数のGPUにアクセスするブロックワイド並列デコード方式では、デコードランタイムはラウンド当たり$\mathcal{O}(1 μ\text{s})$以下に削減できる。
我々は、より大きなモデルをトレーニングし、PyMatchingを最大距離13まで向上させることにより、さらなるLERの改善を観察する。
さらに、明示的な回路レベルのノイズモデルを必要とすることなく、実験的にアクセス可能なシンドローム統計から直接復号重みを推定するノイズ学習アーキテクチャを導入する。
また, ハードウェアノイズモデルが未知あるいは時間変化している場合, PyMatching と相関し, 相関する PyMatching を上回り, ハードウェアノイズモデルが未知あるいは時間変化している場合の高度に最適化された復号化を実現するとともに, 現実的なノイズモデルを用いた事前復号器の訓練を行うことができることを示す。
これらの結果と合わせて、大規模なサーフェスコード実装に適した実用的でモジュール化された高スループットデコーディングフレームワークを構築した。
関連論文リスト
- Fully convolutional 3D neural network decoders for surface codes with syndrome circuit noise [0.6435156676256051]
ANNは量子誤り訂正(QEC)の復号問題に対する有望なアプローチである
最近の拡張性を重視したアプローチでは、局所的なANNを用いて初期シンドロームと最終処理をグローバルな残留復号器に分割している。
本稿では,曲面コードデータシミュレーションとベンチマークデコーディングのためのベクトル化手法を提案する。
性能は、最大$d=97$の回転曲面符号に一般化され、偏極パラメータ閾値は最大$0.7%$が達成された。
論文 参考訳（メタデータ） (2025-06-19T08:04:04Z) - NGPU-LM: GPU-Accelerated N-Gram Language Model for Context-Biasing in Greedy ASR Decoding [54.88765757043535]
この研究は、統計的なn-gram言語モデルのデータ構造を再考し、GPU最適化推論の高速かつ並列な操作を可能にする。
我々のアプローチは NGPU-LM と呼ばれ、7% 未満の計算オーバーヘッドを持つ全ての主要な ASR モデルに対して、カスタマイズ可能なgreedy decoding を導入している。
提案手法は,ビーム探索による顕著な遅延を回避しつつ,greedy と beam search の精度ギャップの50%以上を排除できる。
論文 参考訳（メタデータ） (2025-05-28T20:43:10Z) - 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) - Demonstrating dynamic surface codes [118.67046728951689]
曲面符号の3つの時間力学的実装を実験的に実証した。
まず、曲面コードを六角格子上に埋め込んで、キュービットあたりの結合を4つから3つに減らした。
第二に、サーフェスコードを歩き、データの役割を交換し、各ラウンドごとにキュービットを測定し、蓄積した非計算エラーの組込み除去による誤り訂正を達成する。
第3に、従来のCNOTの代わりにiSWAPゲートを用いた表面コードを実現し、追加のオーバーヘッドを伴わずに、エラー訂正のための実行可能なゲートセットを拡張した。
論文 参考訳（メタデータ） (2024-12-18T21:56:50Z) - 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) - A Scalable, Fast and Programmable Neural Decoder for Fault-Tolerant
Quantum Computation Using Surface Codes [12.687083899824314]
量子誤り訂正符号(Quantum error-correcting codes, QECCs)は、量子アルゴリズムの実行の大きな障害である量子ノイズの負の効果を排除できる。
回転曲面符号(RSC)に対するFTQECの要件を満たすスケーラブルで高速でプログラム可能なニューラルデコーディングシステムを提案する。
本システムでは,197 nsのデコード遅延を極端に低くし,その精度はMWPMに近い。
論文 参考訳（メタデータ） (2023-05-25T06:23:32Z) - Parallel window decoding enables scalable fault tolerant quantum
computation [2.624902795082451]
本稿では,デコード問題を並列化し,ほぼ任意のシンドローム処理速度を実現する手法を提案する。
並列化では、古典的なフィードバックの決定を遅らせる必要があり、論理クロックの速度が遅くなる。
既知のオート・テレポーテーション・ガジェットを使用すれば、キュービットオーバーヘッドの増加と引き換えに、スローダウンを完全に排除することができる。
論文 参考訳（メタデータ） (2022-09-18T12:37:57Z) - 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。