Fugu-MT 論文翻訳(概要): Reducing Postselection Overhead in Magic-State Cultivation by In-Patch Multiplexing

論文の概要: Reducing Postselection Overhead in Magic-State Cultivation by In-Patch Multiplexing

arxiv url: http://arxiv.org/abs/2605.03616v1
Date: Tue, 05 May 2026 10:42:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-06 19:35:43.898484
Title: Reducing Postselection Overhead in Magic-State Cultivation by In-Patch Multiplexing
Title（参考訳）: In-Patch Multiplexing によるマジックステート栽培におけるポストセレクションオーバーヘッドの削減
Authors: Dongmin Kim, Jeonggeun Seo, Aniket Patra, Youngsun Han,
Abstract要約: In-patch多重化は、標準的なマジックステート栽培フレームワークを維持しながら、ポストセレクションのオーバーヘッドを低減することができる。その結果, マルチプレックス処理により, 標準的なマジック状態培養フレームワークを保ちながら, ポストセレクションのオーバーヘッドを低減できることがわかった。
参考スコア（独自算出の注目度）: 3.7768601360100647
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Fault-tolerant quantum computing requires high-fidelity logical magic states for implementing non-Clifford operations. Magic-state cultivation provides a lower-overhead route to logical magic-state preparation, but its efficiency is limited by postselection loss during the early injection-and-cultivation stages. In this work, we propose an in-patch multiplexing scheme that uses early-stage idle resources within a single logical patch to create multiple local cultivation opportunities. A candidate that passes the early stages is forwarded to the standard escape pathway, while the escape stage and the decoder-based acceptance procedure are kept identical to those of the single-site baseline. Under a uniform depolarizing noise model with idle noise, the proposed protocol substantially reduces the injection-and-cultivation discard rate and the expected number of attempts required to obtain an accepted early-stage candidate. At a physical error rate of $p=2\times10^{-3}$, the injection-and-cultivation expected attempts are reduced by $45.46\%$ for $d_1=3$ and by $72.91\%$ for $d_1=5$, relative to the single-site MSC baseline. In the direct full-cycle evaluation including escape, the expected attempts per kept logical output are further reduced by $49.04\%$ for $d_1=3$ and by $78.69\%$ for $d_1=5$ at the same physical error rate. The full-cycle cost curves are shifted toward smaller expected attempts, while the final logical-error behavior remains governed by the escape-stage gap threshold. These results show that in-patch multiplexing can reduce postselection overhead while preserving the standard magic-state cultivation framework.
Abstract（参考訳）: フォールトトレラント量子コンピューティングは、非クリフォード演算を実装するために高忠実な論理マジック状態を必要とする。マジックステート栽培は、論理的なマジックステートの準備への低いオーバーヘッド経路を提供するが、その効率は、初期の射出栽培段階における選択損失によって制限される。本研究では,早期アイドル資源を1つの論理パッチ内で利用し,複数の局所栽培機会を創出する,パッチ内多重化手法を提案する。早期段階を通過する候補は標準脱出経路に転送され、脱走段階とデコーダベースの受け入れ手順は単一拠点のものと同一に維持される。アイドルノイズを伴う一様偏極雑音モデルの下では,提案手法は早期段階の候補を得るのに必要な射出・耕作中止率と期待回数を大幅に削減する。物理誤差レートが $p=2\times10^{-3}\ の場合、単サイトMSCベースラインに対して \(d_1=3$ に対して $45.46\%$ および $d_1=5$ に対して $72.91\%$ で注入・培養期待試行を減少させる。エスケープを含む直接フルサイクル評価において、保持された論理出力毎の試行は、同じ物理誤差率で $d_1=3$ に対して $49.04\%$ および $d_1=5$ に対して $78.69\%$ によりさらに減少する。フルサイクルのコスト曲線はより小さな試行に向けてシフトするが、最終的な論理エラーの挙動はエスケープステージのギャップしきい値によって制御される。これらの結果から,標準のマジックステート栽培フレームワークを保ちながら,パッチ内多重化によりポストセレクションのオーバーヘッドを低減できることが示唆された。

関連論文リスト

Sample- and Hardware-Efficient Fidelity Estimation by Stripping Phase-Dominated Magic [0.2796197251957245]
本研究は、実現可能な量子デバイスで手頃な価格のサンプルおよびゲート効率の高い忠実度推定アルゴリズムを提案する。サンプル効率のよいDFEが強い絡み合いと魔法によって制限される位相状態の構造に近い純状態による忠実度推定は、$mathcalO(mathrmpoly(n))$ サンプリングコピーを使用することで、単一の$n$-qubit ファンアウトゲートで可能であることを示す。
論文参考訳（メタデータ） (2026-02-10T12:13:25Z)
Quantization Meets Reasoning: Exploring and Mitigating Degradation of Low-Bit LLMs in Mathematical Reasoning [39.56908863102256]
低ビット後の量子化は、より厳しい設定で69.81%の数学的推論を損なう。デプロイクリティカルな2つの問題に,プロセスレベルの精度で対処する。われわれの設定では、332のキュレートされたサンプルと1つのGPUで3～5分計算すると、完全な精度のベースラインに向かって4ビットの重み計算が引き起こされる。
論文参考訳（メタデータ） (2025-05-16T12:11:40Z)
Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。 GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
論文参考訳（メタデータ） (2023-12-19T06:06:30Z)
Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
論文参考訳（メタデータ） (2023-06-06T08:19:30Z)
Balancing Risk and Reward: An Automated Phased Release Strategy [2.1485350418225244]
段階的なリリースは、A/Bテストを通じて、新しい製品やアップデートを徐々にリリースするための、テクノロジ業界における一般的な戦略です。本研究では,スケジュールの各段階におけるリリース率を自動的に決定するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-05-16T17:27:34Z)
Faster One-Sample Stochastic Conditional Gradient Method for Composite Convex Minimization [61.26619639722804]
滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
論文参考訳（メタデータ） (2022-02-26T19:10:48Z)
Magic Pyramid: Accelerating Inference with Early Exiting and Token Pruning [19.93342734884434]
本稿では,トークンプルーニングによる幅と深さの計算と,トランスフォーマーモデルによる早期退避を両立させる新しいアイデアであるMagic Pyramid (MP)を提案する。 MPは、入力のサイズに関係なく、2つの一般的なテキスト分類タスクで平均8.06倍のスピードアップを達成することができる。
論文参考訳（メタデータ） (2021-10-30T11:07:43Z)
LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial Attack [74.5144793386864]
LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。 LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
論文参考訳（メタデータ） (2021-03-19T13:10:47Z)
Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
論文参考訳（メタデータ） (2020-03-26T22:10:04Z)

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。