論文の概要: A Code-Agnostic Graph Neural Network Decoder from the Detection Error Model

• arxiv url: http://arxiv.org/abs/2610.01683v1
• Date: Thu, 01 Oct 2026 13:41:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.152339
• Title: A Code-Agnostic Graph Neural Network Decoder from the Detection Error Model
• Title（参考訳）: 検出誤差モデルを用いた符号非依存グラフニューラルネットワークデコーダ
• Abstract要約: 本稿では、与えられたノイズモデルの下での量子コードの検出誤差モデル(DEM)のみを入力とする量子誤り訂正のためのグラフニューラルネットワーク(GNN)デコーダを提案する。 このようにして、同じアーキテクチャは原則として、DEMでトレーニングされたとき、検出エラーモデルとして表現できるあらゆるノイズモデルの下で、安定化器コードをデコードする。 確率に基づく出力は、信頼性に基づいた後選択を可能にし、論理エラー率を1桁以上低下させ、ショットの90%以上を保持できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present POLYMECHANON, a graph neural network (GNN) decoder for quantum error correction whose only input is the detection error model (DEM) of a quantum code under a given noise model. We represent the DEM as a tripartite graph of detectors, error mechanisms and logical observables, where every input feature is computed by using the quantum code as data rather than design choice. In this way, the same architecture decodes in principle any stabiliser code, under any noise model that can be expressed as a detection error model, once trained on the DEM. We test this approach along four directions. Firstly, on the rotated surface code the decoder outperforms correlated MWPM under both phenomenological and circuit-level noise, with up to $25\%$ fewer logical failures. Secondly, on a family of high-rate qLDPC codes it matches BP+OSD on the smaller codes and surpasses it on the larger ones, with up to $16\%$ fewer logical failures on $[\![130,4,6]\!]$. Thirdly, its decoding time does not depend on the physical error rate, whereas that of BP+OSD grows with it: on $[\![130,4,6]\!]$ its effective cost per shot is of the order of a few ms on a single GPU against a few tens of milliseconds for BP+OSD on a single CPU core, and its fixed computational graph makes it a candidate for real-time decoding on neutral-atom processors. Finally, a single model trained across codes of different families outperforms uncorrelated MWPM on the graph-like codes seen during training and stays within $10\%$ of BP+OSD on the others, while it tends to fail to generalize to unseen codes, particularly larger ones. Its probabilistic output enables confidence-based post-selection, lowering the logical error rate by more than an order of magnitude on the surface code while keeping more than $90\%$ of the shots. Since only the DEM changes, new codes and noise models can be decoded without redesigning the decoder.
• Abstract（参考訳）: 本稿では,量子誤り訂正のためのグラフニューラルネットワーク(GNN)デコーダであるPolyMECHANONについて述べる。 我々は、DEMを検出器、エラー機構、論理オブザーバブルの三部グラフとして表現し、全ての入力特徴を設計選択ではなく、量子コードを用いてデータとして計算する。 このようにして、同じアーキテクチャは原則として、DEMでトレーニングされたとき、検出エラーモデルとして表現できるあらゆるノイズモデルの下で、安定化器コードをデコードする。 このアプローチを4つの方向でテストします。 第一に、回転曲面符号では、デコーダは、現象論的ノイズと回路レベルのノイズの両方で相関MWPMより優れ、最大で25\%の論理的故障が減少する。 第二に、高いレートのqLDPCコード群では、BP+OSDを小さなコードで比較し、より大きなコードで上回り、$[\! [130,4,6]\! ]$。 第3に、その復号時間は物理的エラー率に依存しないが、BP+OSDの復号時間は次の通り成長する。 [130,4,6]\! 1ショットあたりの有効コストは、単一のCPUコア上のBP+OSDの数十ミリ秒に対して、単一のGPU上で数ミリ秒のオーダーである。 最後に、異なる家族のコードで訓練された単一のモデルは、トレーニング中に見られるグラフのようなコードで非相関的なMWPMを上回り、BP+OSDの10ドル以下にとどまる。 その確率的出力は信頼に基づくポストセレクションを可能にし、ショットの90セント以上を保持しながら、表面コード上の1桁以上の論理誤差率を下げる。 DEMだけを変更するため、デコーダを再設計することなく、新しいコードとノイズモデルをデコードすることができる。

関連論文リスト

• Minimum-Weight Parity Factor Decoder for Quantum Error Correction [5.5312585333158495]
  HyperBlossomはMLEデコーディングを最小のパリティ係数問題として定式化する統一フレームワークである。 HyperBlossomは、(Hypergraph) Union-FindデコーダやMinimum-Weight Perfect Matching (MWPM)デコーダのような、既存のグラフベースのデコーダを統一する。 HyperBlossomは、距離11の表面コード上のMWPMデコーダに比べて4.8倍低い論理誤差率を達成する。
  論文  参考訳（メタデータ） (2025-08-07T01:44:34Z)
• Machine Learning Decoding of Circuit-Level Noise for Bivariate Bicycle Codes [0.42542143904778074]
  BB符号の回路レベルノイズを復号化するための再帰型トランスフォーマーベースニューラルネットワークを提案する。 BB符号が$[72,12,6]の物理誤差率$p=0.1%$の場合、我々のモデルは信念の伝播よりも約5ドル低い論理誤差率を達成する。 これらの結果から,機械学習デコーダはQLDPC符号において従来のデコーダより優れることが示された。
  論文  参考訳（メタデータ） (2025-04-17T15:57:16Z)
• Efficient and Universal Neural-Network Decoder for Stabilizer-Based Quantum Error Correction [44.698141103370546]
  GraphQECは、線形時間複雑性を持つ安定化器コードのグラフ構造を機械学習に活用した、コードに依存しないデコーダである。 我々の手法は、任意の安定化符号をまたいだリアルタイム量子誤り訂正のための最初の普遍解である。
  論文  参考訳（メタデータ） (2025-02-27T10:56:53Z)
• Demonstrating dynamic surface codes [118.67046728951689]
  曲面符号の3つの時間力学的実装を実験的に実証した。 まず、曲面コードを六角格子上に埋め込んで、キュービットあたりの結合を4つから3つに減らした。 第二に、サーフェスコードを歩き、データの役割を交換し、各ラウンドごとにキュービットを測定し、蓄積した非計算エラーの組込み除去による誤り訂正を達成する。 第3に、従来のCNOTの代わりにiSWAPゲートを用いた表面コードを実現し、追加のオーバーヘッドを伴わずに、エラー訂正のための実行可能なゲートセットを拡張した。
  論文  参考訳（メタデータ） (2024-12-18T21:56:50Z)
• Scalable Quantum Error Correction for Surface Codes using FPGA [67.74017895815125]
  フォールトトレラントな量子コンピュータは、出現するよりも早くデコードし、エラーを修正する必要がある。 並列計算資源を利用したUnion-Findデコーダの分散バージョンを報告する。 この実装では、並列コンピューティングリソースをハイブリッドツリーグリッド構造に整理する、Heliosと呼ばれるスケーラブルなアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2023-01-20T04:23:00Z)
• Graph Neural Networks for Channel Decoding [71.15576353630667]
  低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。 ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。 提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
  論文  参考訳（メタデータ） (2022-07-29T15:29:18Z)
• Improved decoding of circuit noise and fragile boundaries of tailored surface codes [61.411482146110984]
  高速かつ高精度なデコーダを導入し、幅広い種類の量子誤り訂正符号で使用することができる。 我々のデコーダは、信仰マッチングと信念フィンドと呼ばれ、すべてのノイズ情報を活用し、QECの高精度なデモを解き放つ。 このデコーダは, 標準の正方形曲面符号に対して, 整形曲面符号において, より高いしきい値と低い量子ビットオーバーヘッドをもたらすことがわかった。
  論文  参考訳（メタデータ） (2022-03-09T18:48:54Z)
• Pruning Neural Belief Propagation Decoders [77.237958592189]
  本稿では,機械学習を用いたBPデコードに対して,過剰完全パリティチェック行列を調整する手法を提案する。 我々は,デコーダの複雑さを低減しつつ,0.27dB,1.5dBのML性能を実現する。
  論文  参考訳（メタデータ） (2020-01-21T12:05:46Z)
• Deep Q-learning decoder for depolarizing noise on the toric code [0.0]
  トーリック符号上の非分極雑音の量子誤差補正のためのAIベースの復号化エージェントを提案する。 エージェントは、深層強化学習(DRL)を使用してトレーニングされ、人工知能ニューラルネットワークは、エラー修正のための$X$、$Y$、および$Z$ Pauli操作の状態をQ値にエンコードする。 DRL型デコーダは,将来的なトポロジカル符号の誤り訂正のためのフレームワークとして期待できる。
  論文  参考訳（メタデータ） (2019-12-30T13:27:07Z)

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。