論文の概要: Learning to Decode Concatenated Quantum Codes with Hierarchical Message Passing

• arxiv url: http://arxiv.org/abs/2608.28571v1
• Date: Fri, 28 Aug 2026 17:48:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.425959
• Title: Learning to Decode Concatenated Quantum Codes with Hierarchical Message Passing
• Title（参考訳）: 階層的メッセージパッシングによる連結量子符号の復号化
• Authors: Jiahui Wu, Chao Zhang, Zipeng Wu, Shilin Huang,
• Abstract要約: 汎用安定化器符号の復号化のためのニューラルメッセージパッシングフレームワークを提案する。 多くのハイパーキューブ符号に対して、Knillのテレポーテーションに基づく誤り訂正における回路レベルのエラーに微調整されたデコーダは、より低い論理的故障率を達成することができる。
• 参考スコア（独自算出の注目度）: 6.26319455798863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a neural message-passing framework for decoding general concatenated stabilizer codes. Soft beliefs propagate bidirectionally across concatenation levels, and lightweight neural networks learn only to aggregate incoming messages. For the concatenated $[[15,7,3]]$ quantum Hamming code, the resulting decoder achieves substantially higher thresholds than the state-of-the-art bidirectional hard-decision decoder under both bit-flip and depolarizing noise. In particular, the depolarizing pseudo-threshold nearly doubles, from $6.5\%$ to $12.3\%$. For many-hypercube codes, a decoder fine-tuned on circuit-level errors in Knill's teleportation-based error correction can achieve lower logical-CNOT failure rates than their dedicated decoder, using a fixed number of message-passing iterations instead of extensive combinatorial search. Our framework provides a generic decoding tool for exploring the design space of concatenated codes, including non-CSS constructions, toward low-overhead fault tolerance.
• Abstract（参考訳）: 一般結合型安定化器符号の復号化のためのニューラルメッセージパッシングフレームワークを提案する。 ソフトな信念は、結合レベルを越えて双方向に伝播し、軽量なニューラルネットワークは、受信メッセージの集約のみを学ぶ。 連結 $[[15,7,3] の量子ハミング符号に対して、得られたデコーダは、ビットフリップと非偏極ノイズの両方の下で、最先端の双方向ハード・ディコーダよりもかなり高い閾値を達成する。 特に、非分極型擬似スレッショルドは6.5\%$から12.3\%$にほぼ倍増する。 多くのハイパキューブ符号では、Knillのテレポーテーションに基づく誤り訂正において回路レベルのエラーを微調整したデコーダは、広範囲な組合せ探索の代わりに固定数のメッセージパス繰り返しを使用して、専用のデコーダよりも論理CNOTエラー率を低くすることができる。 当社のフレームワークは,非CSS構造を含む連結コードの設計空間を,低オーバーヘッド耐障害性に向けて探索するための汎用デコーディングツールを提供する。

関連論文リスト

• Efficient foundation decoders for fault-tolerant quantum computing [11.676261938547562]
  本稿では,効率的な基盤デコーダのための統合フレームワークを提案する。 NTUの中心的な特徴は、コード距離をまたいでデコードタスクを調整できることである。 変換器を用いたニューラルデコーダとしてNTU-Transformerをインスタンス化する。
  論文  参考訳（メタデータ） (2026-06-25T14:58:33Z)
• Bidirectional Decoding for Concatenated Quantum Hamming Codes [6.26319455798863]
  スケーリングに要する時間を要する量子符号のハード決定デコーダを導入する。 独立したビットフリップノイズ下での量子ハミング符号 [15,3] に対して、双方向デコーダはしきい値を改善する。 この結果により,低オーバーヘッド型フォールトトレラント量子計算の競争性を高めることができる。
  論文  参考訳（メタデータ） (2026-01-14T04:09:37Z)
• Efficient and Universal Neural-Network Decoder for Stabilizer-Based Quantum Error Correction [44.698141103370546]
  GraphQECは、線形時間複雑性を持つ安定化器コードのグラフ構造を機械学習に活用した、コードに依存しないデコーダである。 我々の手法は、任意の安定化符号をまたいだリアルタイム量子誤り訂正のための最初の普遍解である。
  論文  参考訳（メタデータ） (2025-02-27T10:56:53Z)
• Generalizing the matching decoder for the Chamon code [1.8416014644193066]
  チャモン符号として知られる3次元,非CSS,低密度のパリティチェックコードに対して,マッチングデコーダのバリエーションを実装した。 一般化された整合デコーダは、整合前に信念伝播ステップによって拡張され、ノイズの偏極に対するしきい値が10.5%となる。
  論文  参考訳（メタデータ） (2024-11-05T19:00:12Z)
• 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)
• 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)
• Quantum computation on a 19-qubit wide 2d nearest neighbour qubit array [59.24209911146749]
  本稿では,1次元に制約された量子ビット格子の幅と物理閾値の関係について検討する。 我々は、表面コードを用いた最小レベルのエンコーディングでエラーバイアスを設計する。 このバイアスを格子サージャリングサーフェスコードバスを用いて高レベルなエンコーディングで処理する。
  論文  参考訳（メタデータ） (2022-12-03T06:16:07Z)
• 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)

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。