論文の概要: Physics-Informed Graph-Neural Decoding of the Surface Code: the Logical Signal as an Exact Topological Pairing
- arxiv url: http://arxiv.org/abs/2607.20060v2
- Date: Wed, 29 Jul 2026 11:12:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 16:47:49.715303
- Title: Physics-Informed Graph-Neural Decoding of the Surface Code: the Logical Signal as an Exact Topological Pairing
- Title（参考訳）: 物理インフォームドグラフニューラルな表面符号復号法--正確なトポロジカルペアリングとしての論理信号-
- Authors: P. E. Trevisanutto, S. Dhanpal, S. Basak, L. Petit, J. Thiyagalingam,
- Abstract要約: 本研究では, 物理インフォームドグラフニューラルネットワーク(GNN)デコーダを開発し, シンドロームグラフ上の離散ポアソン方程式を解く。
本研究は,高調波(循環)部が同一に消失する純勾配流であることを示す。
このペアリングは, 2つの境界流の間に流れ込むネット電流から, 学習された読み出しパラメータを伴わず, 正確に, クローズドな形で評価されることが証明された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop a physics-informed graph neural network (GNN) decoder for the surface code that solves a discrete Poisson equation on the syndrome graph, with the syndrome as the charge source. We compare four readout architectures for extracting the logical-error probability: a potential-based readout that maps the Poisson field through a multilayer perceptron, two current-based readouts under single- and two-sink Dirichlet boundary conditions, and a diffusion-based variant. Comparing these, we show that the solver's edge current is a pure gradient flow whose harmonic (circulating) part vanishes identically. The logical signal therefore cannot be read as a component of the current itself; it is instead a topological pairing between the syndrome and a boundary-fixed harmonic coordinate that distinguishes the two code boundaries linked by the logical operator. We prove that this pairing is evaluated exactly and in closed form, with no learned readout parameters, as the net current drained between the two boundary sinks. On the rotated surface code under circuit-level depolarising noise, this single closed-form scalar matches the best full-field readout and, at larger code distance, significantly exceeds the single-sink current pool, so that isolating the pairing helps more, not less, as the field grows larger and sparser. The decoder is not intended to surpass minimum-weight perfect matching, near-optimal for this noise model; its contribution is an interpretable characterisation of the logical signal itself.
- Abstract（参考訳）: 本研究では, 物理インフォームドグラフニューラルネットワーク(GNN)デコーダを開発し, シンドロームグラフ上の離散ポアソン方程式を解き, そのシンドロームを電荷源とする。
多層パーセプトロンを通してポアソン場をマッピングする電位ベースの読み出し、単一および2リンクディリクレ境界条件下での2つの電流ベースの読み出し、拡散に基づく変種である。
これらと比較すると、解流器のエッジ電流は、調和部(循環部)が同一に消滅する純粋な勾配流であることが示される。
したがって、論理信号は電流自体の成分として読めず、代わりに、シンドロームと境界固定調和座標のトポロジ的ペアリングであり、論理演算子によってリンクされた2つの符号境界を区別する。
このペアリングは, 2つの境界流の間に流れ込むネット電流から, 学習された読み出しパラメータを伴わず, 正確に, クローズドな形で評価されることが証明された。
回路レベルの偏光雑音下での回転曲面符号では、この1つの閉形スカラーは、最高のフルフィールド読み出し値と一致し、より大きい符号距離ではシングルシンク電流プールをはるかに上回るので、フィールドが大きくなるにつれて、ペアリングがより大きくなり、スペーサーになる。
デコーダは最小限の完全マッチングを超越することではなく、このノイズモデルに対してほぼ最適であり、その寄与は論理信号自体の解釈可能な特性化である。
関連論文リスト
- Generative Diffusion Models of Stochastic Graph Signals [74.4097723209053]
本稿では,条件付きグラフ信号生成モデルの問題に取り組み,単一の拡散フレームワークを用いてそれらに取り組む。
グラフトポロジとノード機能側情報に基づいて直接条件付きグラフ信号を描画するグラフニューラルネットワーク(GNN)によりパラメータ化された逆拡散過程を学習する。
本稿では,株価予測と最適無線リソース割り当てという2つの生成課題について,両領域で広範囲に数値計算を行った。
論文 参考訳（メタデータ） (2026-07-07T22:02:13Z) - Directed Graph Topology Inference via Graph Filter Identification [54.541275287889164]
本稿では,グラフ畳み込みフィルタが生成するノイズ測定から有向ネットワークを推定する問題に対処する。
また、上記のステップを交互に交互に組み合わせて、サンプルの複雑さを向上する結合グラフフィルタとトポロジー同定アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-06-25T18:25:57Z) - Non-linear Sigma Model for the Surface Code with Coherent Errors [0.0]
単一ビットのユニタリ回転が存在する場合の2乗格子面符号の最大形復号化について検討する。
我々は、この復号問題の有効長距離理論として、ターゲット空間$mathrmSO (2n)/mathrmU(n)$の非線形シグマモデルを顕微鏡的に導出した。
論文 参考訳（メタデータ） (2026-03-26T17:19:08Z) - SWING: Unlocking Implicit Graph Representations for Graph Random Features [57.956136773668476]
SWING: Space Walks for Implicit Network Graphsはグラフ上のグラフランダム特徴を含む計算アルゴリズムの新しいクラスである。
SWINGの詳細な解析を行い、様々なiグラフのクラスで徹底的な実験を行い、それを補完する。
論文 参考訳（メタデータ） (2026-02-13T08:12:38Z) - A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。
コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。
この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
論文 参考訳（メタデータ） (2025-07-17T10:02:57Z) - Quantum Computing from Graphs [0.0]
安定化器符号の表現を特定の構造を持つグラフとして導入する。
グラフ表現は、コード構築とアルゴリズムの両方について洞察を与える。
また、量子ギルバート=バルシャモフを3方向距離-レート-重み付きトレードオフに拡張するためにグラフを使用する。
論文 参考訳（メタデータ） (2025-01-29T19:47:39Z) - Simulation of Graph Algorithms with Looped Transformers [6.0465914748433915]
理論的観点から, グラフ上のアルゴリズムをシミュレートするトランスフォーマーネットワークの能力について検討する。
このアーキテクチャは、Dijkstraの最も短い経路のような個々のアルゴリズムをシミュレートできることを示す。
付加的なアテンションヘッドを利用する場合のチューリング完全度を一定幅で示す。
論文 参考訳（メタデータ） (2024-02-02T02:48:03Z) - Geometric Graph Filters and Neural Networks: Limit Properties and
Discriminability Trade-offs [122.06927400759021]
本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。
これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
論文 参考訳（メタデータ） (2023-05-29T08:27:17Z) - Effects of Graph Convolutions in Deep Networks [8.937905773981702]
多層ネットワークにおけるグラフ畳み込みの効果に関する厳密な理論的理解を示す。
単一のグラフ畳み込みは、多層ネットワークがデータを分類できる手段間の距離のレギュレーションを拡大することを示す。
ネットワーク層間の異なる組み合わせに配置されたグラフ畳み込みの性能に関する理論的および実証的な知見を提供する。
論文 参考訳（メタデータ） (2022-04-20T08:24:43Z) - Graph state representation of the toric code [0.0]
トーリック符号グラフは、星グラフ(グリーンベルガー=ホルン=ゼーリンガー状態の符号化)とハーフグラフの2種類の部分グラフからなる。
その結果, トポロジ的順序の調査と新しいトポロジ的誤り訂正符号の開発のためのグラフ理論の枠組みが得られた。
論文 参考訳（メタデータ） (2021-03-23T02:27:07Z)
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。