論文の概要: Neural network decoder confidence as a learned proxy for the logical gap

• arxiv url: http://arxiv.org/abs/2606.08758v1
• Date: Sun, 07 Jun 2026 18:00:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.433093
• Title: Neural network decoder confidence as a learned proxy for the logical gap
• Title（参考訳）: 論理的ギャップの学習プロキシとしてのニューラルネットワークデコーダ信頼度
• Authors: David Dentelski,
• Abstract要約: グラフニューラルネットワーク(GNN)デコーダのロジットが論理的ギャップの学習プロキシとして機能するかどうかを検証する。 GNNロジットに基づくポストセレクションでは,MWPMギャップに基づく論理的誤り率よりも低い値が得られることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To utilize quantum error-correcting codes, a decoder must infer the logical sector from the measured syndrome. Beyond producing a hard logical decision, some decoders provide soft information that estimates the reliability of that decision. For minimum-weight perfect matching (MWPM), a common confidence measure is the complementary, or logical, gap. Here we test whether the logit of a graph neural network (GNN) decoder can act as a learned proxy for the logical gap. Using a pretrained GNN for the rotated surface code under uniform circuit-level noise [Physical Review Research, 7(2):023181, 2025], we compare its soft output with the MWPM complementary gap on the same sampled syndromes. We find that post-selection based on the GNN logit yields a lower logical error rate than one based on the MWPM gap. Shot-by-shot, the signed GNN confidence distribution resembles the signed MWPM gap at low and intermediate values, but assigns higher confidence to many correctly decoded shots. While both scores approximate the posterior log-likelihood ratio, the GNN confidence magnitude is closer to its ideal value. These results show that a neural-network decoder trained only on syndromes and logical labels learns both gap-like discrimination and a quantitative confidence scale, enabling confidence-based post-selection when MWPM gap estimates are unavailable, costly, or poorly matched to the noise model.
• Abstract（参考訳）: 量子誤り訂正符号を利用するには、デコーダは測定されたシンドロームから論理セクターを推論しなければならない。 ハード論理的な決定を生成する以外に、一部のデコーダは、その決定の信頼性を見積もるソフト情報を提供する。 最小ウェイト完全マッチング(MWPM)では、共通信頼度は相補的あるいは論理的ギャップである。 ここでは、グラフニューラルネットワーク(GNN)デコーダのロジットが、論理的ギャップの学習プロキシとして機能するかどうかをテストする。 回路レベルの一様ノイズ下での回転曲面符号に対する事前学習GNN(Physical Review Research, 7(2):023181, 2025]を用いて, 軟部出力とMWPM相補的ギャップの比較を行った。 GNNロジットに基づくポストセレクションでは,MWPMギャップに基づく論理的誤り率よりも低い値が得られることがわかった。 ショットバイショットでは、署名されたGNN信頼分布は、低値と中間値の符号付きMWPMギャップに似ているが、多くの正しく復号されたショットに高い信頼を与える。 両スコアは後部対数類似度比を近似するが、GNNの信頼度は理想値に近い。 これらの結果から,ニューラルネットワークデコーダは症候群のみを訓練し,論理ラベルはギャップライクな識別と量的信頼尺度の両方を学習し,MWPMギャップ推定が利用できない場合や,コストがかかる場合やノイズモデルとの整合性が低い場合の信頼性に基づくポストセレクションを可能にすることがわかった。

関連論文リスト

• Thinking by Subtraction: Confidence-Driven Contrastive Decoding for LLM Reasoning [58.331709210563616]
  サブトラクションによる思考は、信頼主導のコントラスト的デコーディングアプローチである。 低信頼トークンの小さなサブセットは、誤りの推論と不要な出力拡大に不当に寄与する。 信頼駆動型コントラストデコーディング(Confidence-Driven Contrastive Decoding)は,デコーディング中の低信頼トークンを検出し,それらの位置で介入する。
  論文  参考訳（メタデータ） (2026-02-20T14:13:22Z)
• Neural Minimum Weight Perfect Matching for Quantum Error Codes [7.525883733645578]
  NMWPM(Neural Minimum Weight Perfect Matching)と呼ばれるデータ駆動デコーダを提案する。 その結果,標準基準値よりも論理誤差率 (LER) が有意に低下した。
  論文  参考訳（メタデータ） (2026-01-01T07:25:51Z)
• HyperNQ: A Hypergraph Neural Network Decoder for Quantum LDPC Codes [1.716414185235193]
  Quantum Low-Density Parity-Check (QLDPC) コードは、スケーラブルなQuantum Error Correction (QEC) アプリケーションのための有望なソリューションとして登場した。 我々は,最初のハイパーグラフニューラルネットワーク(HGNN)ベースのQLDPCデコーダであるHyperNQを提案する。
  論文  参考訳（メタデータ） (2025-11-03T16:52:17Z)
• SignSGD with Federated Voting [69.06621279967865]
  SignSGD with majority voting (signSGD-MV) は1ビット量子化により通信コストを大幅に削減できる効果的な分散学習アルゴリズムである。 我々は、テキストフェデレート投票(signSGD-FV)を用いた新しいサインSGDを提案する。 連合投票の考え方は、学習可能な重量を利用して多数決を行うことである。 提案手法は, エッジデバイスが不均一なミニバッチサイズを使用する場合でも, 理論的収束を保証する。
  論文  参考訳（メタデータ） (2024-03-25T02:32:43Z)
• Neural network decoder for near-term surface-code experiments [0.7100520098029438]
  ニューラルネットワークデコーダは従来のデコーダに比べて論理的誤り率を低くすることができる。 これらのデコーダは物理エラー率に関する事前情報を必要としないため、高度に適応可能である。
  論文  参考訳（メタデータ） (2023-07-06T20:31:25Z)
• 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)
• A Scalable Graph Neural Network Decoder for Short Block Codes [49.25571364253986]
  エッジ重み付きグラフニューラルネットワーク(EW-GNN)に基づく短絡符号の復号化アルゴリズムを提案する。 EW-GNNデコーダは、繰り返しメッセージパッシング構造を持つタナーグラフで動作する。 EW-GNNデコーダは,復号誤り率の観点から,BP法および深層学習に基づくBP法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-13T17:13:12Z)
• Graph Neural Networks for Channel Decoding [71.15576353630667]
  低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。 ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。 提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
  論文  参考訳（メタデータ） (2022-07-29T15:29:18Z)
• A Simple Approach to Improve Single-Model Deep Uncertainty via Distance-Awareness [33.09831377640498]
  本研究では,1つの決定論的表現に基づく1つのネットワークの不確実性向上手法について検討する。 本稿では,現代のDNNにおける距離認識能力を向上させる簡易な手法として,スペクトル正規化ニューラルガウス過程(SNGP)を提案する。 ビジョンと言語理解のベンチマークスイートでは、SNGPは予測、キャリブレーション、ドメイン外検出において、他の単一モデルアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-05-01T05:46:13Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)

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。