Fugu-MT 論文翻訳(概要): Fixed Point Exploration For CV-QKD IR QC-MET-LDPC Toward Hardware Implementation

論文の概要: Fixed Point Exploration For CV-QKD IR QC-MET-LDPC Toward Hardware Implementation

arxiv url: http://arxiv.org/abs/2607.17960v1
Date: Mon, 20 Jul 2026 14:01:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.647337
Title: Fixed Point Exploration For CV-QKD IR QC-MET-LDPC Toward Hardware Implementation
Title（参考訳）: CV-QKD IR QC-MET-LDPCのハードウェア実装に向けた固定点探索
Abstract要約: この研究は、SPA、MSA、NMSを統一された低SNR固定点フレームワークで比較する。縮小複雑さデコーダでは、Q16.8は最小一貫した精度であり、NMSはMSAより優れていた。
参考スコア（独自算出の注目度）: 1.9112256493495536
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High-speed LDPC decoding is a major bottleneck in CV-QKD and motivates hardware acceleration with fixed-point arithmetic. This work compares SPA, MSA, and NMS under a unified low-SNR fixed-point framework using common graph, matrix, and quantization settings. Multiple formats are evaluated through FER, and average iterations. The results show that performance depends strongly on the interaction between decoder rule and numerical precision. SPA achieved the best overall performance. For reduced-complexity decoders, Q16.8 was the lowest consistent precision, with NMS outperforming MSA. Practically, SPA with Q8.4 offered the best balance between reliability and hardware efficiency for large-scale implementations.
Abstract（参考訳）: 高速LDPCデコーディングはCV-QKDの主要なボトルネックであり、固定点演算によるハードウェアアクセラレーションを動機付けている。この研究は、共通グラフ、行列、量子化設定を用いて、SPA、MSA、NMSを統一された低SNR固定点フレームワークで比較する。複数のフォーマットはFERと平均的なイテレーションを通じて評価される。その結果,デコーダ規則と数値精度の相互作用に強く依存していることが判明した。 SPAは全体的なパフォーマンスで最高の成績を収めた。縮小複雑さデコーダでは、Q16.8は最小一貫した精度であり、NMSはMSAより優れていた。実際、Q8.4のSPAは、大規模実装における信頼性とハードウェア効率の最良のバランスを提供する。

関連論文リスト

Mix-Quant: Quantized Prefilling, Precise Decoding for Agentic LLMs [78.01752802974855]
高速エージェント推論のための簡易かつ効果的な位相認識量子化フレームワークであるMix-Quantを提案する。我々は,Mix-Quantがタスク性能を保ち,高い効率向上を実現し,プリフィル時に最大3倍の高速化を実現していることを示す。
論文参考訳（メタデータ） (2026-05-19T17:50:17Z)
On the Quantization Robustness of Diffusion Language Models in Coding Benchmarks [0.09665867043802821]
自動回帰大言語モデル(LLM)は、コーディングタスクにおいて高いパフォーマンスを達成するが、高いメモリと推論コストを発生させる。本稿では,PTQ 技術,特に GPTQ と改良型 Hessian-Aware Quantization (HAWQ) アルゴリズムの適用と堅牢性について検討する。
論文参考訳（メタデータ） (2026-04-22T00:53:43Z)
Practical Quantum Reservoir Computing in Rydberg Atom Arrays [0.40078827278053847]
量子貯水池コンピューティング(QRC)は、短期的な量子プラットフォームのための有望な量子機械学習フレームワークである。本稿では,Rydberg 原子配列上に実装されたシングルステップQRC (SS-QRC) とマルチステップQRC (MS-QRC) アーキテクチャの比較数値解析を行った。我々は,MS-QRCの性能が物質と脱コヒーレンスの基礎となる動的位相に非常に敏感であるのに対し,SS-QRCはより堅牢であることを示した。
論文参考訳（メタデータ） (2026-01-31T08:56:31Z)
StableQAT: Stable Quantization-Aware Training at Ultra-Low Bitwidths [49.94623294999562]
量子化対応トレーニング(QAT)は、厳格なメモリとレイテンシの制約の下で大規模モデルをデプロイするために不可欠である。ストレートスルー推定器(STE)やソフト量子化器に基づく一般的な手法は、しばしばミスマッチ、不安定、高い計算オーバーヘッドに悩まされる。超低ビット環境でのトレーニングを安定化する統合的で効率的なQATフレームワークであるStableQATを提案する。
論文参考訳（メタデータ） (2026-01-27T08:00:57Z)
Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文参考訳（メタデータ） (2026-01-10T02:36:03Z)
End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost [53.25965863436039]
量子化対応トレーニング(QAT)は、より原則化されたソリューションを提供するが、バックプロパゲーションに依存しているため、メモリコストは禁じられている。重み付けとアクティベーション量子化の両方をサポートするゼロオーダー最適化ベースのQATフレームワークであるZeroQATを提案する。実験の結果、ZeroQATはPTQとQATのベースラインを一貫して上回り、メモリは大幅に削減された。
論文参考訳（メタデータ） (2025-08-21T01:18:27Z)
MSQ: Memory-Efficient Bit Sparsification Quantization [11.510434574824213]
混合精度量子化は効率と精度のバランスが優れているため、広く好まれる。メモリ効率の良いビットスカラー化量子化(MSQ)を提案する。 MSQは、トレーニング可能なパラメータの最大8.00倍の削減、トレーニング時間の最大86%の削減を実現している。
論文参考訳（メタデータ） (2025-07-30T03:21:29Z)
QuartDepth: Post-Training Quantization for Real-Time Depth Estimation on the Edge [55.75103034526652]
ASIC のハードウェアアクセラレーションによる MDE モデルの定量化を後学習量子化に応用した QuartDepth を提案する。提案手法では,重みとアクティベーションの両方を4ビット精度で定量化し,モデルサイズと計算コストを削減する。我々は、カーネル融合とカスタマイズされた命令プログラム性をサポートすることにより、フレキシブルでプログラム可能なハードウェアアクセラレータを設計する。
論文参考訳（メタデータ） (2025-03-20T21:03:10Z)
Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文参考訳（メタデータ） (2022-03-26T20:37:14Z)
RMSMP: A Novel Deep Neural Network Quantization Framework with Row-wise Mixed Schemes and Multiple Precisions [43.27226390407956]
この研究は、Row-wise Mixed-Scheme and Multi-Precisionアプローチによる新しいディープニューラルネットワーク(DNN)量子化フレームワーク、すなわちRMSMPを提案する。提案するRMSMPは、画像分類と自然言語処理(BERT)の分野でテストされている。同等の精度で、最先端技術の中で最高の精度を実現する。
論文参考訳（メタデータ） (2021-10-30T02:53:35Z)
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。