論文の概要: CoDecoder: Make Quantum Decoders Up to 100x Faster and Even More Accurate

• arxiv url: http://arxiv.org/abs/2610.28748v1
• Date: Tue, 20 Oct 2026 18:00:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.110915
• Title: CoDecoder: Make Quantum Decoders Up to 100x Faster and Even More Accurate
• Title（参考訳）: CoDecoder:量子デコーダを最大100倍速くし、さらに正確にする
• Abstract要約: CoDecoderは、既存のデコーダを構成する小さなニューラルデコーダである。 それぞれのショットの論理的な結果を予測し、自信を持って予測し、残りのショットを変化しないフォールバックにルーティングする。
• 参考スコア（独自算出の注目度）: 2.6722343756413984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fault-tolerant quantum computers need fast and accurate error decoding. We present CoDecoder, a small neural frontend that composes with an existing decoder to improve accuracy and reduce mean decoding time. It predicts each shot's logical outcome, retains confident predictions and routes the remaining shots to the unchanged fallback. A logical-operator-aware output head scores shifted logical operators, combining equivalent logical lines on surface codes and deciding logical qubits jointly on bivariate-bicycle (BB) codes. Fused GPU inference and efficient routing reduce the overhead paid on every shot. In registered tests under circuit-level noise, composition reduces failures by 6.4-31.4% relative to correlated matching on surface codes of distance 7-17 and by 22-50% relative to full-DEM Relay-BP on two BB codes, with 2.3-124-fold speed-ups across these comparisons. With our re-implementations of the neural decoder Cascade, composition reduces decoding time in all four settings. A joint decision of both decoders on the routed shots keeps this speed and makes the composition more accurate than Cascade in all four, with 14-18% fewer failures on the [[72,12,6]] code. On the [[72,12,6]] BB code, a conventional head with independent logical outputs fails 3.8-5.0 times as often as our joint class score under matched training conditions. Per-shot analysis shows how composition gains accuracy. On retained shots, the frontend corrects more fallback errors than it introduces, even when it is less accurate overall.
• Abstract（参考訳）: フォールトトレラントな量子コンピュータは高速かつ正確なエラー復号を必要とする。 既存のデコーダを構成する小さなニューラルフロントエンドであるCoDecoderを提案し、精度を改善し、平均デコード時間を短縮する。 それぞれのショットの論理的な結果を予測し、自信を持って予測し、残りのショットを変化しないフォールバックにルーティングする。 論理演算子対応の出力ヘッドスコアは論理演算子をシフトさせ、表面符号上の等価論理線を合成し、二変数二輪車(BB)符号上で論理量子ビットを共同で決定する。 融合GPU推論と効率的なルーティングにより、ショット毎に支払われるオーバーヘッドが削減される。 回路レベルの雑音下での登録試験では、距離7-17の表面符号の相関マッチングに対して6.4-31.4%、BB符号のフルDEMリレーBPに対して22-50%、これらの比較で2.3-124倍の速度アップで故障を減少させる。 ニューラルデコーダカスケードの再実装により、コンポジションは4つの設定すべてでデコード時間を短縮する。 経路ショット上の両デコーダの合同決定は、この速度を保ち、[[72,12,6]コード上の14-18%の障害を減らし、すべての4つのカスケードよりも正確な構成にする。 BB符号[72,12,6]では、従来の独立論理出力ヘッドは、一致した訓練条件下での我々の合同クラススコアの3.8-5.0倍の頻度で失敗する。 ショット毎の分析は、どのように合成が正確になるかを示している。 ホールドショットでは、全体的な精度が低い場合でも、フロントエンドは導入するよりもフォールバックエラーを補正する。

関連論文リスト

• Graph Neural Post-selection for Quantum Error Correction [3.453205454864024]
  ポストセレクションは、論理的失敗をもたらす可能性のあるショットを拒絶することで、量子計算の論理的信頼性を向上させる。 追加のデコーダ実行なしでデコーダ障害を予測するグラフニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2026-09-30T18:04:38Z)
• Beyond Encoder Accumulation: Measuring Encoder Roles in Multi-Encoder VLMs [50.3757247538081]
  我々は、統一パイプラインの下で、5つの共通ビジョンエンコーダの空でないサブセット31を再訓練し、評価する。 各エンコーダのコントリビューションを,容量と必要量という2つの軸に分解する。 エンコーダごとのプロジェクタ有効ランクは、残留スコアの変動を説明する。
  論文  参考訳（メタデータ） (2026-06-02T16:46:42Z)
• Decoding Correlated Errors in Quantum LDPC Codes [41.04211723135311]
  本稿では,回路レベルの雑音下での量子LDPC符号における相関誤差の復号化フレームワークを提案する。 提案手法のコアは、相関検出誤差モデルを変更する干渉法(GARI)のグラフ拡張と再配線である。 FPGA実装の予備的な結果は、この高い精度をリアルタイムに達成でき、デコードインスタンスの99.99%において、平均デコードレイテンシは273 ns、サブマイクロ秒レイテンシは99.99%であることを示している。
  論文  参考訳（メタデータ） (2025-10-15T19:59:05Z)
• 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)
• Ambiguity Clustering: an accurate and efficient decoder for qLDPC codes [0.0]
  本稿では,Ambiguity Clustering Decoder (AC)を導入し,測定データを独立に復号可能なクラスタに分割する。 0.3%の回路レベルの脱分極ノイズにより、ACはBP-OSDの27倍の精度で出力される。 本実装では,M2 CPU上でのシンドローム抽出1ラウンドあたり135usで144キュービットのGross符号をデコードする。
  論文  参考訳（メタデータ） (2024-06-20T17:39:31Z)
• Towards Effective and Efficient Non-autoregressive Decoding Using Block-based Attention Mask [74.64216073678617]
  AMDはアテンションマスクを用いて隠された出力ラベルの連続ブロック内で並列NAR推論を行う。 ビームサーチアルゴリズムは、CTC、ARデコーダ、AMD確率の動的融合を利用するように設計されている。 LibriSpeech-100hrコーパスの実験では、AMDモジュールを組み込んだトリパルタイトデコーダが最大1.73倍のデコード速度比を生み出すことを示唆している。
  論文  参考訳（メタデータ） (2024-06-14T13:42:38Z)
• How to choose a decoder for a fault-tolerant quantum computer? The speed vs accuracy trade-off [48.73569522869751]
  与えられた量子アーキテクチャに対して最適なデコーダを選択する方法を示す。 速度と精度のトレードオフを分析することにより、最適な停止時間を選択する戦略を提案する。 PyMatchingデコーダのデスクトップ実装を備えたサーフェスコードのプロトコルについて説明する。
  論文  参考訳（メタデータ） (2023-10-23T19:30:08Z)
• Belief propagation as a partial decoder [0.0]
  本稿では,デコードサイクルを高速化し,精度を向上する2段デコーダを提案する。 第一段階では、信念伝播に基づく部分復号器を用いて、高い確率で発生した誤りを訂正する。 第2段階では、従来のデコーダが残したエラーを補正する。
  論文  参考訳（メタデータ） (2023-06-29T17:44:20Z)
• 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)

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。