論文の概要: Machine Learning Approaches to Decoding Topological Quantum Codes
- arxiv url: http://arxiv.org/abs/2608.15760v1
- Date: Sun, 16 Aug 2026 14:28:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.415544
- Title: Machine Learning Approaches to Decoding Topological Quantum Codes
- Title（参考訳）: トポロジカル量子コードの復号化のための機械学習アプローチ
- Abstract要約: 復号化は量子誤り訂正(QEC)の重要な構成要素である
フォールトトレラントアーキテクチャを構築するには、コード距離を増やす必要がある。
信頼性があり、スケーラブルで、リアルタイムなデコーディングを実現することは、依然として大きな課題です。
- 参考スコア（独自算出の注目度）: 1.649938899766112
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Decoding is an essential component of quantum error correction (QEC), translating stabilizer measurement outcomes into corrective actions that suppress logical errors and preserve logical quantum information. Building fault-tolerant architectures requires increasing the code distance, which in turn places growing demands on decoding accuracy, scalability, and practical deployability. While a wide range of decoding algorithms have been proposed and demonstrated, achieving reliable, scalable, and real-time decoding remains a significant challenge. Machine-learning (ML) approaches are particularly well suited to this setting, as quantum error decoding is fundamentally a problem of processing large volumes of classical data with complex spatiotemporal correlations. This chapter surveys ML-based methods for quantum error decoding, with a focus on topological codes and an emphasis on architectural principles, practical performance, and real-time considerations. We first frame decoding as a learning problem and outline key paradigms, including discriminative, generative, and reinforcement-learning formulations. We then introduce the neural network building blocks that underpin most contemporary neural decoders and discuss how these components can be integrated to balance expressivity, scalability, and latency. Building on this architectural perspective, we review recent progress and benchmarks in neural decoding for memory experiments, and discuss real-time decoding, open challenges, and future directions toward scalable fault-tolerant quantum computing.
- Abstract（参考訳）: 復号化は量子誤り訂正(QEC)の重要な要素であり、安定化器の測定結果を論理的誤りを抑え論理的量子情報を保存する修正動作に変換する。
フォールトトレラントアーキテクチャを構築するには、コード距離を増やす必要がある。
幅広いデコードアルゴリズムが提案され、実証されているが、信頼性があり、スケーラブルで、リアルタイムなデコードを実現することは大きな課題である。
機械学習(ML)アプローチはこの設定に特に適しており、量子エラー復号法は基本的に、複雑な時空間相関で大量の古典データを処理する問題である。
この章では、トポロジ的コードを重視し、アーキテクチャ原則、実用的なパフォーマンス、リアルタイム考慮に重点を置いて、MLベースの量子エラー復号法を調査します。
まず、学習問題としてデコードを行い、識別、生成、強化学習の定式化を含む重要なパラダイムを概説する。
次に、現代のほとんどのニューラルデコーダを支えるニューラルネットワークビルディングブロックを紹介し、これらのコンポーネントをどのように統合して、表現性、スケーラビリティ、レイテンシのバランスをとるかについて議論する。
このアーキテクチャの観点から、メモリ実験のためのニューラルデコーディングの最近の進歩とベンチマークをレビューし、リアルタイムデコーディング、オープンチャレンジ、スケーラブルなフォールトトレラント量子コンピューティングに向けた今後の方向性について議論する。
関連論文リスト
- Rethink the Role of Neural Decoders in Quantum Error Correction [12.434295501714582]
量子誤差補正(QEC)は、量子上の利点を実現するために不可欠である。
我々は,表面符号復号化のためのニューラルデコーダを,明示的な精度-遅延制約の下で再検討する。
FPGAハードウェア上でのデプロイ性と性能を評価するために,エンドツーエンド圧縮パイプラインを開発した。
論文 参考訳（メタデータ） (2026-05-12T12:26:43Z) - Neural Decoders for Universal Quantum Algorithms [0.43553942673960666]
モジュール型アテンションベースニューラルデコーダを導入し,ゲートによる相関関係を学習する。
我々のデコーダは、最もエラーに近いデコーダに匹敵する高速な推論と論理的エラー率を達成する。
これらの結果は、量子コンピューティングの実用的で汎用的で高性能なツールとして、ニューラルデコーダを確立している。
論文 参考訳（メタデータ） (2025-09-14T17:51:46Z) - Advances in Machine Learning: Where Can Quantum Techniques Help? [0.0]
量子機械学習(QML)は、量子コンピューティングと人工知能の交差点における有望なフロンティアである。
本稿では,従来の機械学習の計算ボトルネックに対処するQMLの可能性について検討する。
論文 参考訳（メタデータ） (2025-07-11T07:47:47Z) - Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。
このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
論文 参考訳（メタデータ） (2025-05-28T16:50:05Z) - An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。
入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。
我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2025-04-13T11:49:53Z) - QCircuitBench: A Large-Scale Dataset for Benchmarking Quantum Algorithm Design [63.02824918725805]
量子コンピューティングは、量子アルゴリズムによる古典的コンピューティングよりも大幅にスピードアップされていることが認識されている。
QCircuitBenchは、量子アルゴリズムの設計と実装におけるAIの能力を評価するために設計された最初のベンチマークデータセットである。
論文 参考訳（メタデータ） (2024-10-10T14:24:30Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか?
我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。
そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - 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) - Real-Time Decoding for Fault-Tolerant Quantum Computing: Progress,
Challenges and Outlook [0.8066496490637088]
リアルタイムデコーダの実装に直面する重要な課題をいくつか取り上げる。
今後の開発を展望し、リアルタイムデコード分野のロードマップを提供していく。
論文 参考訳（メタデータ） (2023-02-28T19:51:03Z) - Deep Quantum Error Correction [73.54643419792453]
量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。
本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。
提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
論文 参考訳（メタデータ） (2023-01-27T08:16:26Z)
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。