論文の概要: Low-Overhead Error-Corrected QCNNs Using Bivariate Bicycle Codes

• arxiv url: http://arxiv.org/abs/2607.05724v1
• Date: Tue, 07 Jul 2026 01:12:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.360222
• Title: Low-Overhead Error-Corrected QCNNs Using Bivariate Bicycle Codes
• Title（参考訳）: Bivariate Bicycle Codes を用いた低オーバーヘッド誤り補正QCNN
• Authors: Alejandro Rosales, Animesh Yadav,
• Abstract要約: 量子畳み込みニューラルネットワーク(QCNN)は、量子コンピューティングのパワーと古典的なCNNを組み合わせて、分類タスクの計算スピードアップを行う。 最先端の量子デバイスにおけるノイズレベルは、実用的なQCNNの実行には高すぎる。 本稿では,QCNNに対する距離4 BB量子誤差補正手法を提案する。
• 参考スコア（独自算出の注目度）: 46.79788938455095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum convolutional neural networks (QCNNs) combine the power of quantum computing and classical CNN for computational speedup in classification tasks. However, noise levels on state-of-the-art quantum devices remain too high for practical QCNN execution. In addition, despite the reliable surface code providing a method for error rates below a threshold value, they have a prohibitively large qubit cost. Recently introduced bivariate bicycle (BB) codes are of particular interest for their high error threshold, constant encoding rate, and linear code distance. Through simulation with realistic hardware noise sources, we demonstrate that a 4-qubit unprotected QCNN fails to converge and exhibits a worse learning rate compared to numerical simulations. Addressing both limitations, we propose a distance-4 BB quantum error-correction (QEC) technique for QCNNs. In doing so, we validate that our low-overhead QEC technique for QCNNS represents a step toward practical QCNNs.
• Abstract（参考訳）: 量子畳み込みニューラルネットワーク(QCNN)は、量子コンピューティングのパワーと古典的なCNNを組み合わせて、分類タスクの計算スピードアップを行う。 しかし、最先端の量子デバイスにおけるノイズレベルは、実用的なQCNNの実行には高すぎる。 さらに、しきい値以下でのエラー率の方法を提供する信頼性の高い曲面コードにもかかわらず、これらは極端に大きな量子ビットコストを有する。 最近導入された二変量自転車(BB)符号は、高い誤差閾値、一定符号化率、線形符号距離に特に関心がある。 現実的なハードウェアノイズ源を用いたシミュレーションにより、4ビットの非保護QCNNが収束せず、数値シミュレーションと比較して学習率が悪くなることを示した。 両制約に対処し,QCNNのための距離4 BB量子誤り補正(QEC)手法を提案する。 そこで我々は,QCNNSの低オーバーヘッドQEC技術が,実践的なQCNNへの一歩であることを検証した。

関連論文リスト

• Optimizing Quantum Convolutional Neural Network Architectures for Arbitrary Data Dimension [2.9396076967931526]
  量子畳み込みニューラルネットワーク(QCNN)は量子機械学習において有望なアプローチである。 量子リソースの割り当てを最適化しながら任意の入力データ次元を処理できるQCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-28T02:25:12Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• 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)
• NEO-QEC: Neural Network Enhanced Online Superconducting Decoder for Surface Codes [2.2749157557381245]
  本稿では, SCと格子手術 (LS) の動作を, 精度, 高速, 低消費電力デコーダで復号化可能なNN型デコーダを提案する。 単一論理量子ビット保護のための量子誤差シミュレータによるデコーダの性能評価と,最大13個のコードによるLSの最小動作について検討した。
  論文  参考訳（メタデータ） (2022-08-11T11:37:09Z)
• Can Noise on Qubits Be Learned in Quantum Neural Network? A Case Study on QuantumFlow [25.408147000243158]
  本論文は、別の角度からノイズ問題に取り組むことを目的としている。 一般量子アルゴリズムのための完全量子ビットを作成する代わりに、専用アルゴリズムのノイズ問題を緩和する可能性について検討する。 本稿では、量子ニューラルネットワーク(QNN)を対象とし、トレーニングフェーズにおける誤りを学習し、識別されたQNNモデルがノイズに耐性を持つようにすることを提案する。
  論文  参考訳（メタデータ） (2021-09-08T04:43:12Z)
• Quantum convolutional neural network for classical data classification [0.8057006406834467]
  古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。 本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T06:48:34Z)
• Simulation of the five-qubit quantum error correction code on superconducting qubits [0.0]
  本稿では,5つのデータ量子ビットと5つのアンシラ量子ビットしか必要としない最小距離3QEC符号に基づく回路を提案する。 そのフットプリントが小さいため、提案したコードは、同様の物理エラー率でSurface-17よりも論理エラー率が低い。
  論文  参考訳（メタデータ） (2021-07-14T05:29:59Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。