論文の概要: AI-Enabled Decoding of Qubit Loss for Quantum Error-Correcting Codes

• arxiv url: http://arxiv.org/abs/2604.14269v1
• Date: Wed, 15 Apr 2026 17:59:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:29.962072
• Title: AI-Enabled Decoding of Qubit Loss for Quantum Error-Correcting Codes
• Title（参考訳）: 量子誤り訂正符号に対するAIによる量子ビット損失の復号化
• Authors: Yuqing Wang, Xiaotian Nie, Jiale Dai, Zhongyi Ni, Tao Zhang, Hui Zhai, Linghui Chen,
• Abstract要約: 量子ビット損失は、量子計算における主要なエラー源である。 グラフニューラルネットワークアーキテクチャに基づく人工知能型デコーダを開発した。
• 参考スコア（独自算出の注目度）: 16.0178741156376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Qubit loss is a major source of error in quantum computation, as it invalidates the algebraic structure of the standard stabilizer formalism for quantum error-correcting codes. On the one hand, it complicates decoding; on the other hand, it introduces stochastic flicker patterns in stabilizers as a hallmark of qubit loss. Here, we develop an artificial-intelligence-enabled decoder based on a spatiotemporal Graph Neural Network (STGNN) architecture to extract spatial and temporal correlations from syndrome histories. Our decoder performs a dual-head task, simultaneously correcting standard Pauli errors and identifying the locations of qubit loss. Our decoder achieves significantly higher logical accuracy than both the traditional minimum-weight perfect matching (MWPM) algorithm and even delayed-erasure MWPM decoders that use qubit loss information from the final round as input. Our decoder can also identify more than 90% of loss locations after accumulating stabilizer measurements over the subsequent ten rounds, thereby facilitating qubit reinitialization, for instance, via the continuous loading technique on the atom array platform. For both tasks, our STGNN performs nearly identically to a modified version of AlphaQubit, but it employs a parallel input structure, giving it an advantage in inference time over modified AlphaQubit's recurrent input structure. This work provides a robust and scalable framework for correcting qubit loss errors, paving the way for more efficient fault-tolerant quantum computation.
• Abstract（参考訳）: 量子計算において、量子ビット損失は、量子誤り訂正符号に対する標準安定化器の代数的構造を無効にするため、主要なエラー源である。 一方、復号化を複雑にし、一方、安定器の確率的フリックパターンを量子損失の指標として導入する。 そこで我々は,時空間グラフニューラルネットワーク(STGNN)アーキテクチャに基づく人工知能デコーダを開発し,症候群の履歴から空間的および時間的相関を抽出する。 我々のデコーダはデュアルヘッドタスクを実行し、標準のPauliエラーを同時に修正し、キュービット損失の位置を特定する。 我々の復号器は, 従来の最小値完全整合(MWPM)アルゴリズムと, 最終ラウンドからのキュービット損失情報を入力として使用する遅延値完全整合(MWPM)デコーダよりも, はるかに高い論理精度を実現する。 我々のデコーダは、その後の10ラウンドで安定化器の測定を蓄積した後、90%以上の損失箇所を識別できるため、例えば、原子配列プラットフォーム上での連続負荷技術により、量子ビットの再起動が容易になる。 両方のタスクに対して、我々のSTGNNはAlphaQubitの修正版とほぼ同等に動作しますが、並列入力構造を採用しており、修正されたAlphaQubitの繰り返し入力構造よりも推論時間に有利です。 この作業は、クォービット損失エラーを修正するための堅牢でスケーラブルなフレームワークを提供し、より効率的なフォールトトレラントな量子計算の道を開く。

関連論文リスト

• Learning to Decode in Parallel: Self-Coordinating Neural Network for Real-Time Quantum Error Correction [16.310410074065743]
  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。
  論文  参考訳（メタデータ） (2026-01-14T23:04:25Z)
• Neural Decoders for Universal Quantum Algorithms [0.43553942673960666]
  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。
  論文  参考訳（メタデータ） (2025-09-14T17:51:46Z)
• 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)
• 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)
• 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)
• Accelerating Error Correction Code Transformers [56.75773430667148]
  本稿では,トランスを用いたデコーダの高速化手法を提案する。 最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
  論文  参考訳（メタデータ） (2024-10-08T11:07:55Z)
• 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。