論文の概要: Fast and accurate AI-based pre-decoders for color codes

• arxiv url: http://arxiv.org/abs/2607.10058v1
• Date: Sat, 11 Jul 2026 00:55:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.283882
• Title: Fast and accurate AI-based pre-decoders for color codes
• Title（参考訳）: カラーコードのためのAIベースの高速かつ正確なプリデコーダ
• Authors: Jan Olle, Christopher Chamberland, Muyuan Li, Igor Baratta,
• Abstract要約: 我々は、三角形カラーコードのためのAIベースのプリデコーダを紹介する。 論理的故障率(LER)と実行時間の両方が、コード距離が増加するにつれて、生のクロモビウス復号と比較して向上することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Color codes are promising alternatives to surface codes for universal fault-tolerant quantum computing due to their simpler lattice-surgery protocols and the transversal implementation of logical Clifford gates. However, their practical deployment has been limited by slower decoding algorithms and worse logical failure rates and thresholds compared to surface codes. Although AI-based logical-flip decoders have recently been proposed to address these challenges, no clear framework currently exists for implementing such decoders within the parallel block-wise decoding schemes in both space and time required for large-scale fault-tolerant computation. AI-based pre-decoders offer a scalable alternative due to their local nature. By performing spacelike corrections on physical qubits and timelike corrections on stabilizer measurements, pre-decoders are naturally compatible with parallel block-wise decoding schemes and lattice-surgery protocols. In this work, we introduce AI-based pre-decoders for triangular color codes. We present a novel neural-network architecture for their implementation and develop methods to simplify the complex training data generated by color-code syndrome-extraction circuits containing feedforward operations. Remarkably, we find that both logical failure rates (LERs) and runtimes improve relative to raw Chromobius decoding as the code distance increases. For example, at code distance d=31 and physical error rate $p=0.3\%$, our pre-decoder + Chromobius pipeline improves the logical failure rate by a factor of 347x while reducing runtime by 7.33x compared to raw Chromobius decoding alone. These results demonstrate that AI-based pre-decoding can substantially narrow the performance gap between color codes and surface codes, bringing color codes closer to practical large-scale fault-tolerant quantum computation.
• Abstract（参考訳）: カラーコードは、より単純な格子サージェリングプロトコルと論理的クリフォードゲートの超越的な実装のため、普遍的な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サーフェスコードに代わる有望な代替手段である。 しかし、その実践的な展開は、低速な復号アルゴリズムと、表面コードと比較して論理的な失敗率としきい値によって制限されている。 AIベースの論理フリップデコーダは近年これらの課題に対処するために提案されているが、大規模なフォールトトレラント計算に必要な空間と時間の両方において、並列ブロック単位のデコーダを実装するための明確なフレームワークは存在しない。 AIベースのプリデコーダは、そのローカルな性質のため、スケーラブルな代替手段を提供する。 物理量子ビットの空間的補正と安定化器の測定における時間的補正により、プリデコーダは並列ブロックワイド復号法や格子サージェリープロトコルと自然に互換性がある。 本稿では、三角形カラーコードのためのAIベースのプリデコーダを紹介する。 本稿では,その実装のための新しいニューラルネットワークアーキテクチャを提案し,フィードフォワード操作を含むカラーコードシンドローム抽出回路によって生成された複雑なトレーニングデータを簡素化する手法を開発した。 注目すべきは、コード距離が増加するにつれて、論理的故障率(LER)とランタイムの両方が生のクロモビウス復号と比較して改善されることである。 例えば、コード距離d=31と物理的エラー率$p=0.3\%$では、プリデコーダ + Chromobiusパイプラインは、生の Chromobiusデコード単独と比較して、実行時間を7.33倍削減しながら、論理的エラー率を347倍改善します。 これらの結果は、AIベースの事前復号化により、カラーコードとサーフェスコードのパフォーマンスギャップが大幅に狭まり、実用的な大規模フォールトトレラント量子計算にカラーコードが近づくことを示した。

関連論文リスト

• Mitigating Classical Resource Costs in Quantum Error Correction via Generalized qLDPC Predecoding [36.0083978873487]
  軽量プリデコードでは、共有デコードコンポーネントの歪みを軽減することが約束されている。 任意のqLDPC符号のプリデコーダを生成するための自動フレームワークを提案する。 これらの自動構築されたプリデコーダは、デコードワークロードの90%以上を自律的に処理し、デコーダ全体の使用量を最大3,963倍に削減する。
  論文  参考訳（メタデータ） (2026-05-04T21:42:12Z)
• Fast correlated decoding of transversal logical algorithms [67.01652927671279]
  大規模計算には量子エラー補正(QEC)が必要であるが、かなりのリソースオーバーヘッドが発生する。 近年の進歩により、論理ゲートからなるアルゴリズムにおいて論理キュービットを共同で復号化することにより、症候群抽出ラウンドの数を削減できることが示されている。 ここでは、回路を介して伝播する関連する論理演算子製品を直接復号することで、回路の復号化の問題を修正する。
  論文  参考訳（メタデータ） (2025-05-19T18:00:00Z)
• Decoding for Punctured Convolutional and Turbo Codes: A Deep Learning Solution for Protocols Compliance [32.887114329215045]
  本稿では,畳み込み畳み込み符号とターボ符号に対して,LSTMを用いたニューラルデコーダを提案する。 提案したLSTMベースのニューラルネットワークデコーダのキーコンポーネントは、句読取認識の埋め込みで、句読取パターンを直接ニューラルネットワークに組み込む。
  論文  参考訳（メタデータ） (2025-02-21T14:00:14Z)
• 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)
• 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)
• Progressive-Proximity Bit-Flipping for Decoding Surface Codes [8.971989179518214]
  トリックやサーフェスコードのようなトポロジカル量子コードは、ハードウェア実装の優れた候補である。 既存のデコーダは、計算複雑性の低いような要求を満たすのに不足することが多い。 トリックおよび表面符号に適した新しいビットフリップ(BF)デコーダを提案する。
  論文  参考訳（メタデータ） (2024-02-24T22:38:05Z)
• Denoising Diffusion Error Correction Codes [92.10654749898927]
  近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。 最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。 本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:00:50Z)
• 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)

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。