Fugu-MT 論文翻訳(概要): Reinforcement Learning for Syndrome Extraction

論文の概要: Reinforcement Learning for Syndrome Extraction

arxiv url: http://arxiv.org/abs/2609.12020v1
Date: Thu, 10 Sep 2026 10:51:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-15 07:38:31.492348
Title: Reinforcement Learning for Syndrome Extraction
Title（参考訳）: シンドローム抽出のための強化学習
Abstract要約: 強化学習と重要サンプリングを使用して、あらゆるスケールで過去の作業より優れています。提案手法は, 平均誤差率を25.9%, 71.7%削減し, 距離15の曲面符号に対して97.8%削減した。
参考スコア（独自算出の注目度）: 1.3827807729367587
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A key subtask of quantum error correction is to extract a syndrome that, if nontrivial, signals an error. The number of possible ways to extract a syndrome grows exponentially with the syndrome size, and these implementations vary greatly in fault tolerance, as measured by their logical error rates. This creates a natural search problem: find an implementation with a low logical error rate. Previous work solves this problem but sacrifices either solution quality or scalability. In this paper, we use reinforcement learning and importance sampling to outperform previous work at all scales. Compared with the state of the art automatic scheduling tools AlphaSyndrome and PropHunt, our tool reduces the logical error rate by 25.9\% and 71.7\% on average, respectively, culminating with a reduction of 97.8\% for a surface code with distance 15.
Abstract（参考訳）: 量子エラー訂正の鍵となるサブタスクは、非自明な場合、エラーを信号するシンドロームを抽出することである。シンドロームを抽出する方法の数は、シンドロームのサイズとともに指数関数的に増加し、これらの実装は、それらの論理的誤り率によって測定されるように、フォールトトレランスに大きく依存する。これは、論理エラー率の低い実装を見つけるという、自然な検索問題を生み出します。以前の作業はこの問題を解決しますが、ソリューションの品質かスケーラビリティのどちらかを犠牲にします。本稿では, 強化学習と重要サンプリングを併用し, あらゆるスケールで過去の作業より優れていることを示す。最先端の自動スケジューリングツールであるAlphaSyndrome と PropHunt と比較して, 平均誤差率を 25.9 % と 71.7 % に削減し, 距離15 の曲面符号に対して 97.8 % を削減した。

関連論文リスト

Scalable testing of quantum error correction [1.5541070135849597]
階層化された断層注入と外挿を組み合わせたスケーラブルなアプローチを提案する。我々のツールは、デスクトップ上で2時間の時間予算で物理的エラー率0.0005で17までスケールする。
論文参考訳（メタデータ） (2026-02-04T07:36:04Z)
Think Right: Learning to Mitigate Under-Over Thinking via Adaptive, Attentive Compression [68.69801176669843]
本稿では,冗長なステップを誘発し,難易度を推定するオンラインポストトレーニングRL手法を提案する。 TRAAC(Think Right with Adaptive, Attentive Compression)は、絶対精度が平均8.4%向上する。我々のモデルは数学データセットに基づいて訓練されているが、分布外データセットの精度と効率性を示す。
論文参考訳（メタデータ） (2025-10-02T02:00:20Z)
Hide and Seek with LLMs: An Adversarial Game for Sneaky Error Generation and Self-Improving Diagnosis [51.88592148135258]
本稿では,エラー生成と診断のための動的対向フレームワークであるHie and Seek Game (HSG)を提案する。 HSGには2つの敵対的役割がある: Sneakyは、微妙で偽りの推論エラーを発生させることで「隠す」ことと、それらを正確に検出するために「探す」診断である。いくつかの数学推論タスクの実験では、HSGはエラー診断を著しく向上し、GPT-4oのようなベースラインよりも16.8%--31.4%高い精度を達成している。
論文参考訳（メタデータ） (2025-08-05T12:45:21Z)
Orthogonal Causal Calibration [55.28164682911196]
我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
論文参考訳（メタデータ） (2024-06-04T03:35:25Z)
Generalized quantum data-syndrome codes and belief propagation decoding for phenomenological noise [6.322831694506286]
量子データシンドローム符号と、四進アルファベットと二進アルファベットを統合した一般化チェック行列を導入し、多様な誤り源を表現した。高いエラー率では、症候群抽出のラウンドが少なく、より少ないエラー率ではラウンドが改善する傾向にある。
論文参考訳（メタデータ） (2023-10-19T12:23:05Z)
SURE: A Visualized Failure Indexing Approach using Program Memory Spectrum [2.4151044161696587]
本稿では,プログラムメモリスペクトルを用いたsualized failuRe indExingアプローチであるSUREを提案する。まず、失敗したテストケースの実行中に、事前に設定されたブレークポイントで実行時のメモリ情報を収集する。 2つの障害のプロキシとして機能するPMSイメージの任意のペアは、トレーニングされたシームズ畳み込みニューラルネットワークに供給される。
論文参考訳（メタデータ） (2023-10-19T02:04:35Z)
Error mitigation, optimization, and extrapolation on a trapped ion testbed [0.05185707610786576]
ゼロノイズ補間(ZNE)と呼ばれる誤差軽減の形式は、必要なキュービット数を増やすことなく、これらのエラーに対するアルゴリズムの感度を低下させることができる。本稿では,この誤差軽減手法を変分量子固有解法(VQE)アルゴリズムに統合するための様々な手法について検討する。本手法の有効性は, デバイスアーキテクチャの適切な実装を選択することによる。
論文参考訳（メタデータ） (2023-07-13T19:02:39Z)
SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文参考訳（メタデータ） (2021-11-25T03:53:43Z)
Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文参考訳（メタデータ） (2021-10-21T07:28:11Z)
$\sigma^2$R Loss: a Weighted Loss by Multiplicative Factors using Sigmoidal Functions [0.9569316316728905]
我々は,二乗還元損失(sigma2$R損失)と呼ばれる新たな損失関数を導入する。我々の損失は明らかな直観と幾何学的解釈を持ち、我々の提案の有効性を実験によって実証する。
論文参考訳（メタデータ） (2020-09-18T12:34:40Z)
A Sliced Wasserstein Loss for Neural Texture Synthesis [10.093662416275693]
本稿では,物体認識に最適化された畳み込みニューラルネットワークの特徴アクティベーションから抽出した統計値に基づいて,テクスチャ損失を計算する問題に対処する。 Sliced Wasserstein DistanceをGram-matrix損失の代替として推進することを目的としています。
論文参考訳（メタデータ） (2020-06-12T14:37:11Z)
Detached Error Feedback for Distributed SGD with Random Sparsification [98.98236187442258]
コミュニケーションのボトルネックは、大規模なディープラーニングにおいて重要な問題である。非効率な分散問題に対する誤りフィードバックよりも優れた収束性を示す分散誤差フィードバック(DEF)アルゴリズムを提案する。また、DEFよりも優れた境界を示すDEFの一般化を加速するDEFAを提案する。
論文参考訳（メタデータ） (2020-04-11T03:50:59Z)

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。