論文の概要: Maximum Likelihood Decoding of Quantum Error Correction Codes

• arxiv url: http://arxiv.org/abs/2605.17230v1
• Date: Sun, 17 May 2026 02:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.741901
• Title: Maximum Likelihood Decoding of Quantum Error Correction Codes
• Title（参考訳）: 量子誤り訂正符号の最大近似復号法
• Authors: Hanyan Cao, Ge Yan, Yuxuan Du, Feng Pan,
• Abstract要約: 量子誤り訂正(QEC)は、フォールトトレラントな量子計算を実現するには不可欠であるが、その有効性は古典的復号アルゴリズムに批判的である。 最大確率復号法(MLD)は、論理クラス内の全ての可能なエラーを和って論理群を最大の確率で特定するので、証明可能な最適である。 最適性にもかかわらず、MLDは一般に計算的に難解であり(#P-hard)、正確なアルゴリズムと近似アルゴリズムの豊かな景観を動機付けている。
• 参考スコア（独自算出の注目度）: 13.939243286249486
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Quantum error correction (QEC) is indispensable for realizing fault-tolerant quantum computation, yet its effectiveness hinges critically on the classical decoding algorithm that interprets noisy syndrome measurements. Among all possible decoding strategies, maximum likelihood decoding (MLD) is provably optimal, since it identifies the logical group with largest likelihood by summing over all possible errors within logical class consistent with the observed syndrome. Despite its optimality, MLD is computationally intractable in general (#P-hard), motivating a rich landscape of exact and approximate algorithms. In this topical review, we provide a unified perspective on MLD by surveying recent advances through three complementary lenses: statistical mechanics, tensor networks, and artificial intelligence. From the statistical mechanics viewpoint, the MLD problem maps onto evaluating partition functions of disordered spin models, enabling exact solutions for certain codes and noise models as well as threshold estimation via phase-transition analysis. From the tensor network perspective, approximate contraction of tensor networks on the code's factor graph yields decoders that closely approach MLD accuracy with polynomial computational cost. From the artificial intelligence perspective, neural-network-based decoders, including autoregressive generative models and recurrent transformers, learn to approximate the MLD distribution from data, achieving high accuracy with the parallelism afforded by modern hardware accelerators. We discuss the connections among these three approaches, review their application to both simulated and experimental quantum hardware, and outline open challenges including real-time decoding, scalability to large code distances, and generalization to high-rate quantum low-density parity-check codes.
• Abstract（参考訳）: 量子誤り訂正(QEC)はフォールトトレラント量子計算の実現には不可欠であるが、その有効性はノイズ症候群の測定を解釈する古典的復号アルゴリズムに決定的に依存する。 全ての可能な復号戦略の中で、最大極大復号法(MLD)は、観測されたシンドロームと整合した論理クラス内の全ての可能なエラーを和って、最大極大復号法(英語版)(MLD)を識別するので、確実に最適である。 最適性にもかかわらず、MLDは一般に計算的に難解であり(#P-hard)、正確なアルゴリズムと近似アルゴリズムの豊かな景観を動機付けている。 本稿では, 統計力学, テンソルネットワーク, 人工知能の3つの相補レンズによる最近の進歩を調査することによって, MLDの統一的な視点を提供する。 統計力学の観点から、MDD問題は、乱れたスピンモデルの分割関数の評価にマップされ、特定の符号やノイズモデルの正確な解と位相遷移解析によるしきい値推定が可能である。 テンソルネットワークの観点から、符号の係数グラフ上のテンソルネットワークの近似収縮は、多項式計算コストでMDD精度に近づいた復号器を生成する。 人工知能の観点から、自己回帰生成モデルやリカレントトランスフォーマーを含むニューラルネットワークベースのデコーダは、データからMDD分布を近似することを学び、現代のハードウェアアクセラレーターが持つ並列性と高い精度を達成する。 これらの3つの手法の関連性について議論し、シミュレーションおよび実験的な量子ハードウェアへの応用をレビューし、リアルタイムデコード、大規模コード距離へのスケーラビリティ、高速な量子低密度パリティチェックコードへの一般化など、オープンな課題を概説する。

関連論文リスト

• Syndrome resampling enhances quantum error correction thresholds [0.9744114320491685]
  我々は,任意のデコーダのQEC閾値を高める手法であるシンドローム再サンプリングを導入する。 その結果,シンドローム再サンプリングは最適なデコーダと準最適デコーダの閾値を大幅に上昇させることがわかった。 この手法を既存の実験的なQECデータに適用すると、論理誤差率の最大2桁の削減が得られる。
  論文  参考訳（メタデータ） (2026-05-07T12:16:39Z)
• SAQ: Stabilizer-Aware Quantum Error Correction Decoder [8.458339111154585]
  量子誤り訂正(QEC)復号法は、基本的な精度と効率のトレードオフに直面している。 最近のニューラルデコーダは複雑さを減少させるが、計算に高価な古典的手法と競合するために必要な精度に欠ける。 本稿では,変換器に基づく学習と制約後処理を組み合わせたフレームワークであるSAQ-Decoderを紹介する。
  論文  参考訳（メタデータ） (2025-12-09T18:51:35Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Generative Decoding for Quantum Error-correcting Codes [6.964959672843989]
  機械学習における生成モデリングを利用した復号化アルゴリズムを提案する。 自己回帰ニューラルネットワークを用いて、論理演算子とシンドロームの結合確率を教師なしで学習する。 提案手法は,実時間および高レートの量子誤り訂正符号をリアルタイムに復号化するための潜在的な解決策として,生成人工知能を強調している。
  論文  参考訳（メタデータ） (2025-03-27T11:08:03Z)
• Low-Overhead Transversal Fault Tolerance for Universal Quantum Computation [36.3664581543528]
  論理演算は一定回数の抽出ラウンドしか持たず、フォールトトレラントに実行可能であることを示す。 我々の研究は、量子フォールトトレランスの理論に新たな光を当て、実用的なフォールトトレラント量子計算の時空コストを1桁以上削減する可能性を持っている。
  論文  参考訳（メタデータ） (2024-06-25T15:43:25Z)
• 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)
• 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)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。