論文の概要: Learning to Decode Quantum LDPC Codes via Cluster-Based Sequential Belief Propagation

• arxiv url: http://arxiv.org/abs/2607.20130v1
• Date: Wed, 22 Jul 2026 13:35:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.092681
• Title: Learning to Decode Quantum LDPC Codes via Cluster-Based Sequential Belief Propagation
• Title（参考訳）: クラスタベースの逐次信念伝播による量子LDPC符号の復号化
• Abstract要約: 本稿では,QLDPC符号に対するクラスタベースのRL-S拡張を提案する。 提案したクラスタリング学習スケジューリングは,VNレベルの学習シーケンシャルスケジューリングのエラーレートの利点の大部分を保っていることを示す。
• 参考スコア（独自算出の注目度）: 33.63208787604054
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Belief-propagation (BP) decoding for quantum low-density parity-check (QLDPC) codes is attractive due to its low complexity, but its performance is often limited by short cycles, degeneracy, and convergence failures. Recently, reinforcement-learning-based sequential variable-node (VN) scheduling (RL-S) was shown to improve BP decoding by learning state-dependent update orders. However, the VN-by-VN nature of that approach offers limited within-iteration parallelism, since only one VN is updated at a time. In this paper, we propose a cluster-based extension of RL-S for QLDPC codes. The VNs are partitioned into fixed clusters, and at each scheduling step the RL agent selects one cluster to update, after which all VNs in that cluster are updated in parallel using the same pre-update incoming messages. To keep the tabular state space practical for large cluster sizes, we introduce a permutation-invariant cluster state based on a normalized histogram of local mismatch weights, followed by quantization. This representation makes the number of cluster states depend on the quantization resolution rather than the cluster size. We also develop the corresponding cluster-level Markov decision process, reward function, and Q-learning update. Numerical results on representative QLDPC codes show that the proposed clustered learned scheduling preserves most of the error-rate benefit of VN-level learned sequential scheduling while substantially reducing the number of scheduling decisions per BP iteration, thereby providing an attractive latency-parallelism tradeoff.
• Abstract（参考訳）: 量子低密度パリティチェック(QLDPC)符号に対するBPデコーディングは、その複雑さが低いため魅力的であるが、その性能は短いサイクル、縮退、収束障害によって制限されることが多い。 近年,強化学習に基づく逐次可変ノード(RL-S)スケジューリング(RL-S)が,状態依存更新順序を学習することでBPデコーディングを改善することが示されている。 しかしながら、このアプローチのVN-by-VNの性質は、一度に1つのVNだけが更新されるため、限定的な内部並列性を提供する。 本稿では,QLDPC符号に対するクラスタベースのRL-S拡張を提案する。 VNは固定クラスタに分割され、各スケジューリングステップではRLエージェントが1つのクラスタを選択して更新する。 大規模クラスタサイズで表層状態空間を実用的に維持するために,局所ミスマッチ重みの正規化ヒストグラムに基づく変分不変クラスタ状態を導入し,次いで量子化を行う。 この表現により、クラスタ状態の数はクラスタサイズよりも量子化の解決に依存する。 また,クラスタレベルのマルコフ決定プロセス,報酬関数,Q-ラーニング更新も開発した。 代表的なQLDPC符号の数値計算結果から,提案したクラスタリング学習スケジューリングは,VNレベル学習シーケンシャルスケジューリングのエラーレートの利点の大部分を保ちつつ,BPイテレーション毎のスケジューリング決定数を著しく削減し,魅力的なレイテンシ並列性トレードオフを提供することを示した。

関連論文リスト

• Learning-Based List Sequential Belief Propagation Decoding of Quantum LDPC Codes [11.6026139694159]
  QLDPC符号のための強化学習ベースリストシーケンシャル(RL-LS)BPデコーダを提案する。 提案手法は,デコーダの復号性能を向上し,既存のBPベースの復号法と比較する。
  論文  参考訳（メタデータ） (2026-06-18T20:38:03Z)
• Non-Unitary Quantum Machine Learning [0.0]
  量子機械学習における通常のユニタリ制約を克服する確率的量子アルゴリズムをいくつか導入する。 また, 変分アンサッツ層間の残差は, それらを含むモデルにおける不規則な台地を防止できることが示唆された。 また、Schur-Weyl双対性による点雲データに対する新たな回転不変符号化を実証する。
  論文  参考訳（メタデータ） (2024-05-27T17:42:02Z)
• Distribution-Flexible Subset Quantization for Post-Quantizing Super-Resolution Networks [68.83451203841624]
  本稿では,超高分解能ネットワークのためのポストトレーニング量子化手法であるDFSQを提案する。 DFSQは活性化のチャネルワイド正規化を行い、分布フレキシブルなサブセット量子化(SQ)を適用する 6ビットの量子化と8ビットの量子化では完全精度に匹敵する性能を達成し、4ビットの量子化では0.1dBのPSNR低下しか生じない。
  論文  参考訳（メタデータ） (2023-05-10T04:19:11Z)
• BCQQ: Batch-Constraint Quantum Q-Learning with Cyclic Data Re-uploading [2.502222151305252]
  量子コンピューティングの最近の進歩は、量子モデルは古典的手法に比べて訓練に必要なデータが少ないことを示唆している。 離散バッチ制約深部Q-ラーニングアルゴリズムにおいて,VQCを関数近似器として利用するバッチRLアルゴリズムを提案する。 我々は,OpenAI CartPole環境におけるアルゴリズムの有効性を評価し,その性能を従来のニューラルネットワークに基づく離散BCQと比較した。
  論文  参考訳（メタデータ） (2023-04-27T16:43:01Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• RELDEC: Reinforcement Learning-Based Decoding of Moderate Length LDPC Codes [4.588028371034406]
  RELDECは、中等長低密度パリティチェック(LDPC)符号のシーケンシャルデコードのための新しいアプローチである。 マルコフ決定過程(MDP)に基づく強化学習により最適化された復号法が得られる。 提案したRELDEC方式は,様々なLDPC符号に対して,標準的なフラッディングとランダムなシーケンシャルデコーディングを著しく上回っている。
  論文  参考訳（メタデータ） (2021-12-27T23:13:57Z)
• Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
  クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。 本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
  論文  参考訳（メタデータ） (2021-09-05T15:15:07Z)
• Accelerating variational quantum algorithms with multiple quantum processors [78.36566711543476]
  変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。 現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。 ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
  論文  参考訳（メタデータ） (2021-06-24T08:18:42Z)
• Gradient Coding with Dynamic Clustering for Straggler-Tolerant Distributed Learning [55.052517095437]
  勾配降下(GD)は、複数の労働者にデータセットを分散することで学習タスクの並列化に広く用いられている。 分散同期gdにおけるイテレーション完了時間ごとの重要なパフォーマンスボトルネックは$straggling$ workersである。 コード化された分散技術は、最近ストラグラーを緩和し、労働者に冗長な計算を割り当てることでgdイテレーションを高速化するために導入された。 本稿では,従来のトラグリング動作に依存する可能性のあるコードの中から,冗長なデータを労働者に割り当てて選択する動的GC方式を提案する。
  論文  参考訳（メタデータ） (2021-03-01T18:51:29Z)

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。

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。