論文の概要: Decoder- and Noise-Aware Optimization Framework for Clifford-Deformed Quantum Error-Correcting Codes
- arxiv url: http://arxiv.org/abs/2610.13589v1
- Date: Fri, 09 Oct 2026 13:39:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.602808
- Title: Decoder- and Noise-Aware Optimization Framework for Clifford-Deformed Quantum Error-Correcting Codes
- Title（参考訳）: クリフォード変形量子誤り訂正符号のデコーダ・ノイズ対応最適化フレームワーク
- Abstract要約: 本稿では,回路,ノイズモデル,デコーダをブラックボックスとして扱うショット効率の高い探索アルゴリズムであるEvolution-Based Best-arm Identification (EBBI)を紹介する。
EBBIは最大$sim 1100times$で最適なCDを見つける。
我々の研究は、一般的なQECコードに対するスケーラブルなCD最適化に向けた第一歩である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Practical fault-tolerant quantum computing requires qubit-efficient quantum error correction (QEC). Clifford deformations (CDs) modify the stabilizers of a QEC code to lower its logical error rate at no additional resource cost. However, the number of possible CDs grows exponentially with the number of qubits, making exhaustive search infeasible beyond small codes. In this work, we further show that under circuit level noise the optimal CD depends strongly on both the noise model and decoder. To make systematic CD optimization possible, we introduce Evolution-Based Best-arm Identification (EBBI), a shot-efficient search algorithm that treats the circuit, noise model and decoder as a black box. We benchmark EBBI's performance on the rotated surface code, under two strongly $Z$-biased circuit-level noise models with the PyMatching decoder. At distance 3, EBBI finds the optimal CD using up to $\sim 1100\times$ fewer shots than random search. At distance 5, when run at the target error rate, the median EBBI run converges to the CDs we believe to be optimal, while random search never converges. Under a $Z$-biased SI1000-like noise model, EBBI discovers a new CD, the B-XZZX code, which we generalized to larger distances. It differs from XZZX on only a fraction $\mathcal{O}(d^{-1})$ of the qubits at code distance $d$, yet its relative advantage grows from $\approx 5\%$ at $d = 3$ to $\approx 12\%$ at $d = 11$. We thus show that the B-XZZX pattern found by EBBI can be systematically scaled to larger code distances. Our work represents a first step towards scalable CD optimization for general QEC codes.
- Abstract（参考訳）: 現実的なフォールトトレラント量子コンピューティングは量子ビット効率の量子エラー補正(QEC)を必要とする。
クリフォード変形(CD)はQEC符号の安定化器を変更し、追加のリソースコストで論理誤差率を下げる。
しかし、可能なCDの数はキュービット数とともに指数関数的に増加し、小さなコードを超えて徹底的な検索が不可能になる。
本研究では,回路レベルのノイズの下では,最適CDはノイズモデルとデコーダの両方に強く依存することを示す。
そこで本研究では,CDの系統的最適化を実現するために,回路,ノイズモデル,デコーダをブラックボックスとして扱うショット効率の高い探索アルゴリズムであるEvolution-Based Best-arm Identification (EBBI)を導入する。
我々は、PyMatchingデコーダを用いた2つのZ$バイアス回路レベルのノイズモデルに基づいて、EBBIの性能をベンチマークする。
距離3では、EBBIは最大$\sim 1100\times$のランダム検索よりも少ないショットで最適なCDを見つける。
ターゲット誤差率で走る場合、中央のEBBIランは最適であると信じているCDに収束するが、ランダム探索は決して収束しない。
Z$-biased SI1000-like noise modelの下で、EBBIは新しいCD、B-XZXコードを発見し、より広い距離に一般化した。
XZX と XZX は、符号距離$d$ の量子ビットの分数$\mathcal{O}(d^{-1})$ しか持たないが、相対的な優位性は $d = 3$ から $\approx 12\%$ の $d = 11$ へと増大する。
そこで,EBBIによって発見されたB-XZXパターンは,より広い符号距離に体系的に拡張可能であることを示す。
我々の研究は、一般的なQECコードに対するスケーラブルなCD最適化に向けた第一歩である。
関連論文リスト
- Adaptive decoding of quantum LDPC codes through decoder disagreement [0.0]
より深い後処理検索の利点は、デコードインスタンスの小さなサブセットに非常に集中していることが分かりました。
信念伝播(BP)と順序統計復号(OSD)に基づく適応デコーダを導入する。
また, BP症候群の残差, シンドロームの重み, ランダム選択に基づいて, 不一致誘導ルーティングがルーティングより優れていることを示す。
論文 参考訳（メタデータ） (2026-09-29T14:03:32Z) - X-Z Round Scheduling for the Surface Code with Defects under Biased Noise [1.6832709987512862]
フォールトトレラント量子コンピューティングは、多くの物理量子ビットにまたがる論理量子ビットを符号化してエラーを検出し、修正する量子誤り訂正(QEC)符号に依存している。
固体量子プロセッサの製造はハードウェアの欠陥を導入し、欠陥のある量子ビットとカプラを破棄しなければならない。
バイアス雑音下でのラウンドスケジューリング比を最適$X$-to-Z$で検証する。
論文 参考訳（メタデータ） (2026-08-06T01:46:14Z) - AICD Bench: A Challenging Benchmark for AI-Generated Code Detection [91.21422299346199]
AICD Benchは、AI生成コード検出の最も包括的なベンチマークである。
これは$emph2Mサンプル$、$emph77モデル$、$emph11ファミリー$、$emph9プログラミング言語$で、最近の推論モデルを含む。
論文 参考訳（メタデータ） (2026-02-02T13:24:14Z) - Sequential decoding of the XYZ$^2$ hexagonal stabilizer code [0.0]
我々は、ハニカム格子上で定義されたXYZ$2$コードを調べ、2つのステップでシンドローム情報を復号する。
ノイズを非偏極化するために、シーケンシャルマッチングデコーダは18.3%の閾値を与え、最適に近い。
データ量子ビット上の位相バイアスノイズに対して、バイアス=eta = fracp_zp_x+p_y = 10$では、信念マッチングベースのデコーダが24.1%に達する。
論文 参考訳（メタデータ） (2025-05-06T16:53:51Z) - Quantum XYZ cyclic codes for biased noise [5.197632326399701]
量子コンピューティングのアーキテクチャでは、パウリノイズは非常に偏りがある。偏りのあるノイズに量子誤り訂正符号を配置することは、論理的エラー率を下げることなく物理量子ビットオーバーヘッドを減らすのに役立つかもしれない。
本稿では,符号長とともに符号距離が増加する唯一の量子巡回符号群である量子XYZ巡回符号群を提案する。
論文 参考訳（メタデータ） (2025-01-28T10:06:31Z) - Explaining and Improving Contrastive Decoding by Extrapolating the Probabilities of a Huge and Hypothetical LM [93.8400683020273]
コントラストデコーディング(CD)は,小型のアマチュアLMを用いて,大規模専門家言語モデル(LM)の次点分布を改善する。
我々は$mathbfA$symptotic $mathbfP$robability $mathbfD$ecoding (APD)と呼ばれる新しい教師なし復号法を提案する。
APDは異なる大きさのLMから確率曲線を明示的に外挿し、CDよりも多くの推論コストを発生させることなく無限大のLMから確率曲線を推定する。
論文 参考訳（メタデータ） (2024-11-03T15:31:44Z) - Estimating the Decoding Failure Rate of Binary Regular Codes Using Iterative Decoding [84.0257274213152]
並列ビットフリップデコーダのDFRを高精度に推定する手法を提案する。
本研究は,本症候群のモデル化およびシミュレーションによる重み比較,第1イテレーション終了時の誤りビット分布の誤検出,復号化復号化率(DFR)について検証した。
論文 参考訳（メタデータ） (2024-01-30T11:40:24Z) - Mind the gap: Achieving a super-Grover quantum speedup by jumping to the
end [114.3957763744719]
本稿では,数種類のバイナリ最適化問題に対して,厳密な実行保証を有する量子アルゴリズムを提案する。
このアルゴリズムは、$n$非依存定数$c$に対して、時間で$O*(2(0.5-c)n)$の最適解を求める。
また、$k$-spinモデルからのランダムなインスタンスの多数と、完全に満足あるいはわずかにフラストレーションされた$k$-CSP式に対して、文 (a) がそうであることを示す。
論文 参考訳（メタデータ） (2022-12-03T02:45:23Z) - Tailored XZZX codes for biased noise [60.12487959001671]
我々は,XZX型安定化器発生器を有する符号群について検討した。
これらのXZZX符号は、バイアスノイズに合わせると、非常に量子効率が高いことを示す。
論文 参考訳（メタデータ） (2022-03-30T17:26:31Z) - 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) - 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。