論文の概要: Neural decoders for subsystem many-hypercube codes

• arxiv url: http://arxiv.org/abs/2608.13975v1
• Date: Fri, 14 Aug 2026 05:35:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.290673
• Title: Neural decoders for subsystem many-hypercube codes
• Title（参考訳）: サブシステム多ハイパーキューブ符号のためのニューラルデコーダ
• Abstract要約: 我々は,回路レベルのノイズモデルにおいて,サブシステムにおけるマルチハイパーキューコードのためのニューラルネットベースのデコーダを開発する。 再帰型ニューラルデコーダは、単純な完全接続型ニューラルデコーダよりも優れており、トレーニング中に使用するものよりも長めのシンドローム測定シーケンスをデコードできることを示す。
• 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: To maximize the potential of quantum error-correcting codes, it is essential to develop high-performance decoders. The subsystem many-hypercube (MHC) codes have been developed to achieve both high encoding rates and low-weight syndrome-measurements, but the introduction of gauge degrees of freedom makes decoding more challenging. In this work, we develop neural-network-based decoders for the subsystem MHC codes in a circuit-level noise model. We demonstrate that even the gauge-measurement information can be utilized for decoding by carefully arranging the syndrome-measurement sequence, improving the decoding performance. We further show that recurrent neural decoders outperform simple fully connected neural decoders, and can decode syndrome-measurement sequences longer than those used during training.
• Abstract（参考訳）: 量子誤り訂正符号のポテンシャルを最大化するためには、高性能デコーダを開発することが不可欠である。 マルチハイパーキューブ(MHC)符号は高符号化率と低ウェイトシンドローム測定の両方を達成するために開発されたが、ゲージ自由度の導入により復号化がより困難になる。 本研究では,回路レベルのノイズモデルにおいて,サブシステムMHC符号化のためのニューラルネットワークベースのデコーダを開発する。 そこで,本研究では,ゲージ計測情報さえも,シンドローム計測シーケンスを慎重にアレンジし,復号性能を向上させることで復号化に活用できることを実証した。 さらに、リカレントニューラルデコーダは、単純な完全連結ニューラルデコーダよりも優れており、トレーニング中に使用するものよりも、シンドローム測定シーケンスが長くなることを示す。

関連論文リスト

• Decoding quantum low density parity check codes with diffusion [0.5855198111605814]
  量子低密度パリティチェック符号におけるシンドローム測定から論理誤差を推定するための拡散モデルフレームワークを提案する。 マスク付き拡散デコーダは平均より正確で、しばしば高速であり、最悪の場合、他の最先端のデコーダよりも常に高速であることを示す。
  論文  参考訳（メタデータ） (2025-09-26T13:46:52Z)
• 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)
• 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)
• A Cryogenic Memristive Neural Decoder for Fault-tolerant Quantum Error Correction [0.0]
  インメモリ・クロスバー(IMC)アーキテクチャに基づくニューラルデコーダの設計と解析を行う。 ハードウェアを意識したリトレーニング手法を開発し、フィデリティ損失を軽減する。 この研究は、フォールトトレラントQECの統合のためのスケーラブルで高速で低消費電力のMCCハードウェアへの経路を提供する。
  論文  参考訳（メタデータ） (2023-07-18T17:46:33Z)
• The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
  データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。 本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-14T19:46:39Z)
• Optimizing Serially Concatenated Neural Codes with Classical Decoders [8.692972779213932]
  従来の復号アルゴリズムが非自明な実数値ニューラルコードに適用されていることを示す。 BCJRアルゴリズムは完全に微分可能であるので、エンドツーエンドでニューラルエンコーダのトレーニングや微調整が可能である。
  論文  参考訳（メタデータ） (2022-12-20T15:40:08Z)
• Neural Belief Propagation Decoding of Quantum LDPC Codes Using Overcomplete Check Matrices [60.02503434201552]
  元のチェック行列における行の線形結合から生成された冗長な行を持つチェック行列に基づいてQLDPC符号を復号する。 このアプローチは、非常に低い復号遅延の利点を付加して、復号性能を著しく向上させる。
  論文  参考訳（メタデータ） (2022-12-20T13:41:27Z)
• 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)
• Adversarial Neural Networks for Error Correcting Codes [76.70040964453638]
  機械学習(ML)モデルの性能と適用性を高めるための一般的なフレームワークを紹介する。 本稿では,MLデコーダと競合する識別器ネットワークを組み合わせることを提案する。 我々のフレームワークはゲーム理論であり、GAN(Generative Adversarial Network)によって動機付けられている。
  論文  参考訳（メタデータ） (2021-12-21T19:14:44Z)
• Doubly Residual Neural Decoder: Towards Low-Complexity High-Performance Channel Decoding [19.48350605321212]
  ディープニューラルネットワークは、デコード性能を改善するためにチャネル符号化に成功している。 二重残留ニューラルネットワーク(DRN)デコーダを提案する。 DRNは、複雑さを低く保ちながら、大幅なデコードパフォーマンスの改善を可能にする。
  論文  参考訳（メタデータ） (2021-02-08T01:48:16Z)

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。