論文の概要: QuantiSpect: A Structure-Aware Lightweight 3D CNN Pre-Decoder for Scalable Surface Code Quantum Error Correction

• arxiv url: http://arxiv.org/abs/2607.18204v1
• Date: Mon, 20 Jul 2026 17:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.725365
• Title: QuantiSpect: A Structure-Aware Lightweight 3D CNN Pre-Decoder for Scalable Surface Code Quantum Error Correction
• Title（参考訳）: QuantiSpect: スケーラブルな表面コード量子エラー補正のための構造対応軽量CNNプリデコーダ
• Authors: Pan Gao, Xu-Sheng Xu, Ji-Ze Han, Jing-Wei Wen, Ling Qian, Xu-Dong Lv, Run-Qing Zhang, Xiao-Xiao Hu, Gui-Lu Long,
• Abstract要約: 我々は、回転した表面コードのための軽量な3D畳み込みニューラルネットワーク(CNN)プリデコーダQuantiSpectを提案する。 鍵となるアイデアは、密集した3次元の畳み込みを、各残留ブロックに3つの平行な分岐で置き換えることである。 QuantiSpectは、Curcurateの回路レベルの閾値と精度を適度で大きなコード距離で一致させる。
• 参考スコア（独自算出の注目度）: 13.996295115428858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time decoding is a critical bottleneck for large-scale fault-tolerant quantum computing. AI-based neural pre-decoders locally correct most physical errors before passing residual syndromes to a global decoder, enabling sub-microsecond latencies. However, existing architectures carry significant overhead from dense 3D convolutions. We present QuantiSpect, a lightweight 3D convolutional neural network (CNN) pre-decoder for the rotated surface code, built on the decoding pipeline of Chamberland et al. The key idea is to replace the dense 3D convolutions with three parallel branches in each residual block: a depthwise spatial branch, a depthwise temporal branch, and a grouped spatio-temporal branch, followed by a squeeze-and-excitation channel gate. This reflects the structure of surface code errors, where spatial and temporal syndrome correlations are partially separable. On a unified 4xA100 GPU benchmark, QuantiSpect matches the receptive field of the Accurate baseline at R=13 while using ~2.71x fewer parameters (0.663M vs 1.80M) and ~2.84x fewer per-voxel convolutional MACs. It matches Accurate's circuit-level threshold and accuracy at moderate and large code distances, reduces the logical error rate by up to ~1.85x relative to uncorrelated PyMatching at d=13, p=0.5%, and speeds up the PyMatching decode by up to 3.11x at d=23. We also explored enlarging the receptive field by adding blocks. Even at R=21, the model uses only 1.18M parameters, fewer than both the R=13 Accurate baseline (1.80M) and the R=17 dense model (4.22M), despite its larger receptive field. This expanded variant significantly outperforms the Accurate model, raising the circuit-level threshold to ~0.80% and further reducing the logical error rate. Together, both variants show that a structure-aware factorized design is an effective, parameter-efficient alternative to a dense one for decoding the surface code.
• Abstract（参考訳）: リアルタイムデコーディングは、大規模フォールトトレラント量子コンピューティングにとって重要なボトルネックである。 AIベースのニューラルプレデコーダは、残差シンドロームをグローバルデコーダに渡す前に、ほとんどの物理的エラーを局所的に修正する。 しかし、既存のアーキテクチャは高密度な3D畳み込みからかなりのオーバーヘッドを伴っている。 回転する曲面コードのための軽量な3D畳み込みニューラルネットワーク(CNN)であるQuantiSpectを,チャンバーランド等の復号パイプライン上に構築した。鍵となるアイデアは,密集した3D畳み込みを,各残差ブロック内の3つの平行分岐(奥行き空間分岐,深度時間分岐,グループ時空間分岐)に置き換えることである。 これは、空間的および時間的シンドローム相関が部分的に分離可能な表面符号誤差の構造を反映している。 統一された4xA100 GPUベンチマークでは、QuantiSpectはR=13の精度ベースラインの受信フィールドと一致し、パラメータは2.71倍(0.663M vs 1.80M)、ボクセル単位の畳み込みMACは2.84倍少ない。 回路レベルの閾値と精度を適度かつ大きな符号距離で一致させ、d=13, p=0.5%の非相関なPyMatchingと比較して論理誤差率を最大1.85倍に下げ、d=23のPyMatchingデコードで最大3.11倍高速化する。 また,ブロックの追加による受容領域の拡大についても検討した。 R=21でも、R=13の精度ベースライン(1.80M)とR=17の密度モデル(4.22M)よりも少ない1.18Mのパラメータしか使用していない。 この拡張版は精度モデルを大幅に上回り、回路レベルの閾値を ~0.80% に引き上げ、論理誤差率をさらに下げた。 いずれの変種も、構造を意識した因子化設計は、表面コードを復号するための高密度な設計よりも効果的でパラメータ効率のよい設計であることを示している。

関連論文リスト

• DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
  DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。 ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。 また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
  論文  参考訳（メタデータ） (2026-07-19T06:54:52Z)
• Sparse Mamba Decoder for Quantum Error Correction: Efficient Defect-Centric Processing of Surface Code Syndromes [2.3449131636069898]
  フォールトトレラントな量子コンピュータを構築するには量子エラー補正が不可欠である。 ほとんどのデコーダは精度が高いが、実際のエラー率に関係なく、$O(d2 R)$regard of size $O(d2 R)の完全な高密度シンドロームアレイを処理している。 我々は,k個のアクティブ検出イベントのみを処理する欠陥中心型ニューラルデコーダであるSparse Mamba Decoder (SMD)を紹介した。
  論文  参考訳（メタデータ） (2026-05-16T21:01:29Z)
• Hierarchical Transformer Preconditioning for Interactive Physics Simulation [28.137076331332413]
  階層型トランスフォーマープレコンディショナー(Hierarchical Transformer Preconditioner)は、弱い許容率のH行列分割に固定されたニューラルプレコンディショナーである。 ネットワークは低ランクの遠距離因子を通して逆をモデル化する。 高速道路の接続を利用して、奥行きを隔ててコンテキストを伝播する。
  論文  参考訳（メタデータ） (2026-05-13T11:02:27Z)
• Fast and accurate AI-based pre-decoders for surface codes [0.0]
  我々は、低デコードランタイムで局所的並列エラー補正を行う、表面コードのためのスケーラブルなAIベースのプリデコーダを導入する。 このアーキテクチャはバックエンドに依存しず、サーフェスコード用に設計された任意のグローバルデコーディングアルゴリズムで構成される。 非相関なPyMatchingと統合されたパイプラインは、大きなコード距離で1ラウンドあたり$mathcalO(1テキスト)$のエンドツーエンドのデコードランタイムを達成する。
  論文  参考訳（メタデータ） (2026-04-14T15:01:05Z)
• 70% Size, 100% Accuracy: Lossless LLM Compression for Efficient GPU Inference via Dynamic-Length Float [52.079202872069835]
  大規模言語モデル(LLM)や拡散モデル(DM)といった大規模AIモデルは急速に成長している。 圧縮フレームワークであるDynamic-Length Float (DFloat11) を導入し, LLM と DM サイズを30%削減した。
  論文  参考訳（メタデータ） (2025-04-15T22:38:38Z)
• Speedy MASt3R [68.47052557089631]
  MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。 高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。 この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-03-13T03:56:22Z)
• Demonstrating dynamic surface codes [118.67046728951689]
  曲面符号の3つの時間力学的実装を実験的に実証した。 まず、曲面コードを六角格子上に埋め込んで、キュービットあたりの結合を4つから3つに減らした。 第二に、サーフェスコードを歩き、データの役割を交換し、各ラウンドごとにキュービットを測定し、蓄積した非計算エラーの組込み除去による誤り訂正を達成する。 第3に、従来のCNOTの代わりにiSWAPゲートを用いた表面コードを実現し、追加のオーバーヘッドを伴わずに、エラー訂正のための実行可能なゲートセットを拡張した。
  論文  参考訳（メタデータ） (2024-12-18T21:56:50Z)
• Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
  Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。 実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。 本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-13T02:44:05Z)

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。