論文の概要: Efficient foundation decoders for fault-tolerant quantum computing

• arxiv url: http://arxiv.org/abs/2606.27119v1
• Date: Thu, 25 Jun 2026 14:58:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.325913
• Title: Efficient foundation decoders for fault-tolerant quantum computing
• Title（参考訳）: フォールトトレラント量子コンピューティングのための効率的な基礎デコーダ
• Abstract要約: 本稿では,効率的な基盤デコーダのための統合フレームワークを提案する。 NTUの中心的な特徴は、コード距離をまたいでデコードタスクを調整できることである。 変換器を用いたニューラルデコーダとしてNTU-Transformerをインスタンス化する。
• 参考スコア（独自算出の注目度）: 11.676261938547562
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation decoders, a class of high-capacity neural decoders, are leading candidates for fault-tolerant quantum computing, with accurate and efficient decoding at large code distances. However, their construction often faces a steep scaling barrier, as larger code distances rapidly amplify the cost of syndrome generation and neural optimization. To address this bottleneck, here we devise neural transfer unification (NTU), a unified framework for efficient foundation decoders. A central feature of NTU is its ability to align decoding tasks across code distances via algebraic structures shared by scalable code families, which enables knowledge learned on smaller codes to accelerate large-scale decoder training. We instantiate NTU as NTU-Transformer, a transformer-based neural decoder tailored for planar surface codes and bivariate bicycle codes. For planar surface codes under circuit-level noise, NTU-Transformer outperforms correlation-aware matching on the $[\![361,1,19]\!]$ code and further scales to the $[\![625,1,25]\!]$ code, where it exceeds standard matching through transfer adaptation. For the bivariate bicycle code with $[\![72,12,6]\!]$, it surpasses Relay-BP in the low-physical-error regime. These results establish our proposal as a scalable route to amortized cross-distance training of foundation decoders for fault-tolerant quantum processors.
• Abstract（参考訳）: 高容量ニューラルデコーダのクラスであるファンデーションデコーダは、フォールトトレラントな量子コンピューティングの候補であり、大規模なコード距離で正確かつ効率的なデコーダである。 しかし、より大きなコード距離がシンドローム生成とニューラル最適化のコストを急速に増大させるため、その構築はしばしば急激なスケーリング障壁に直面します。 このボトルネックに対処するために、効率的な基礎デコーダのための統一フレームワークであるニューラルトランスファー統合(NTU)を考案する。 NTUの中心的な特徴は、スケーラブルなコードファミリによって共有される代数構造を介して、コード距離にわたってデコードタスクを調整できることである。 NTU を NTU-Transformer としてインスタンス化する。これは平面面符号とバイバリアイト自転車符号に適したトランスフォーマーベースのニューラルデコーダである。 NTU-Transformerは、回路レベルの雑音下での平面曲面符号に対して、$[\! [361,1,19]\! ]$[\! 625,1,25]\! のコードで、転送適応によって標準マッチングを超えます。 2変数の自転車コードに$[\! 72,12,6]\! 低物理エラー体制ではRelay-BPを上回ります。 これらの結果は、フォールトトレラント量子プロセッサのための基礎デコーダのアモート化クロスディスタンストレーニングのためのスケーラブルなルートとして、我々の提案を裏付けるものである。

関連論文リスト

• Learning to Decode Concatenated Quantum Codes with Hierarchical Message Passing [6.26319455798863]
  汎用安定化器符号の復号化のためのニューラルメッセージパッシングフレームワークを提案する。 多くのハイパーキューブ符号に対して、Knillのテレポーテーションに基づく誤り訂正における回路レベルのエラーに微調整されたデコーダは、より低い論理的故障率を達成することができる。
  論文  参考訳（メタデータ） (2026-08-28T17:48:04Z)
• Neural Belief-Matching Decoding for Topological Quantum Error Correction Codes [2.9506547907696006]
  トーリックコードのようなトポロジコードは、ハードウェア効率の良いアーキテクチャを提供する。 トーリックコードの復号化には2つの重要な改良点を提案する。 1つ目は、BPデコーダをニューラルBPデコーダに置き換え、ニューラル信念マッチングデコーダを発生させる。
  論文  参考訳（メタデータ） (2026-03-23T09:15:48Z)
• A Mixture of Experts Vision Transformer for High-Fidelity Surface Code Decoding [12.998419492098462]
  トポロジカル・スタビライザーの符号は、その幾何学的局所性と実践的関連性から特に魅力的である。 本稿では,量子ビジョン変換器を用いたデコーダQuantumSMoEを提案する。 トーリックコードの実験は、QuantumSMoEが最先端の機械学習デコーダより優れていることを示した。
  論文  参考訳（メタデータ） (2026-01-18T16:49:59Z)
• Efficient and Universal Neural-Network Decoder for Stabilizer-Based Quantum Error Correction [44.698141103370546]
  GraphQECは、線形時間複雑性を持つ安定化器コードのグラフ構造を機械学習に活用した、コードに依存しないデコーダである。 我々の手法は、任意の安定化符号をまたいだリアルタイム量子誤り訂正のための最初の普遍解である。
  論文  参考訳（メタデータ） (2025-02-27T10:56:53Z)
• 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)
• Unified Error Correction Code Transformer with Low Complexity [41.04310848437611]
  従来のデコーダは各コードに専用のハードウェアを必要とするため、高いハードウェアコストがかかる。 本稿では,1つのフレームワーク内で複数の線形ブロックコードを処理するトランスフォーマーベースのデコーダを提案する。
  論文  参考訳（メタデータ） (2024-10-04T12:30:42Z)
• Learning Linear Block Error Correction Codes [62.25533750469467]
  本稿では,バイナリ線形ブロック符号の統一エンコーダデコーダトレーニングを初めて提案する。 また,コード勾配の効率的なバックプロパゲーションのために,自己注意マスキングを行うトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-07T06:47:12Z)
• 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)
• 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)
• Error Correction Code Transformer [92.10654749898927]
  本稿では,トランスフォーマーアーキテクチャを任意のブロック長で線形符号のソフトデコードに拡張することを提案する。 我々は,各チャネルの出力次元を高次元に符号化し,個別に処理すべきビット情報のより良い表現を行う。 提案手法は、トランスフォーマーの極端なパワーと柔軟性を示し、既存の最先端のニューラルデコーダを、その時間的複雑さのごく一部で大きなマージンで上回る。
  論文  参考訳（メタデータ） (2022-03-27T15:25:58Z)
• ProductAE: Towards Training Larger Channel Codes based on Neural Product Codes [9.118706387430885]
  ディープラーニング技術を通じて比較的大きなニューラルチャネルコードを設計し、訓練することは、違法に複雑である。 本稿では,ディープラーニング駆動型(エンコーダ,デコーダ)ペアの計算効率の良いファミリーであるProductAEsを構築する。 我々は、パラメータのコード(100,225)$とパラメータの中間長コード(196,441)$に対して、SNR(Signal-to-noise ratio)のあらゆる範囲において、大きな利得を示す。
  論文  参考訳（メタデータ） (2021-10-09T06:00:40Z)

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。