論文の概要: Distilling Knowledge from Search: Decoder Model Factory for Quantum LDPC Codes

• arxiv url: http://arxiv.org/abs/2610.41398v1
• Date: Fri, 30 Oct 2026 08:09:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.654146
• Title: Distilling Knowledge from Search: Decoder Model Factory for Quantum LDPC Codes
• Title（参考訳）: 検索による知識の希薄化:量子LDPCコードのためのデコーダモデルファクトリ
• Abstract要約: 量子低密度パリティチェックのための学習ベースのメッセージパスデコーダであるGraphMPを紹介する。 GraphMPは、ローカルメッセージパッシングを使用して、デコードグラフが成長するにつれて、計算のスケーラビリティを維持する。 逐次モデルを訓練するためのパラダイムとして,デコーダモデルファクトリを開発した。
• 参考スコア（独自算出の注目度）: 0.7340017786387767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce GraphMP, a learning-based message-passing decoder for quantum low-density parity-check codes that transfers without fine-tuning across code families, code sizes, physical error rates, and noise models. GraphMP uses local message passing to keep computation scalable as the decoding graph grows. Guided by its predictions, beam search progressively refines candidate error patterns, trading additional decoding time for lower logical error rates. We develop the decoder model factory as a paradigm for training successive models on experience generated by earlier models during decoding. Model-guided search supplies verified trajectories for knowledge distillation, folding computation spent on decoding into reusable training data. Repeated collection and distillation improve the decoder across generations and adapt its strategy as the noise changes. These results motivate a coupled quantum--classical architecture with two interacting cycles: rapid decoding protects quantum information, while slower learning renews the models from operating experience. The long-term vision is a scalable decoder model factory that produces high-performance, low-latency decoders and continually adapts them to evolving quantum hardware.
• Abstract（参考訳）: GraphMPは、量子低密度パリティチェックのための学習ベースのメッセージパスデコーダで、コードファミリ、コードサイズ、物理エラー率、ノイズモデルを微調整することなく転送する。 GraphMPは、ローカルメッセージパッシングを使用して、デコードグラフが成長するにつれて、計算のスケーラビリティを維持する。 ビームサーチはその予測に導かれ、候補のエラーパターンを徐々に洗練し、より低い論理的エラー率のためにさらなる復号時間を交換する。 我々は,デコーダモデルファクトリを,デコーダ中に先行モデルが生成した経験に基づいて逐次モデルを訓練するためのパラダイムとして開発する。 モデル誘導型サーチサプライは、知識蒸留、復号に費やした折り畳み計算を再利用可能なトレーニングデータに検証した。 繰り返し収集と蒸留は世代ごとにデコーダを改善し、ノイズの変化に応じてその戦略を適応させる。 これらの結果は、2つの相互作用するサイクルで結合した量子-古典的アーキテクチャを動機付けている。 長期ビジョンはスケーラブルなデコーダモデルファクトリであり、高性能で低レイテンシなデコーダを生成し、進化する量子ハードウェアに継続的に適応する。

関連論文リスト

• Self-Guidance: Enhancing Neural Codecs via Decoder Manifold Alignment [15.70133983324942]
  自己誘導は、量子化トークンと元の連続埋め込みの両方を処理する際にデコーダの内部特徴多様体を整列するために使用される。 これにより、最小限のトレーニングオーバーヘッドと推論時の変更が不要になる。 XCodec2に適用されたセルフガイダンスは、すべての再構築メトリクスを改善し、最先端の低ビットレートパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-06-11T06:06:02Z)
• Neural Decoders for Universal Quantum Algorithms [0.43553942673960666]
  モジュール型アテンションベースニューラルデコーダを導入し,ゲートによる相関関係を学習する。 我々のデコーダは、最もエラーに近いデコーダに匹敵する高速な推論と論理的エラー率を達成する。 これらの結果は、量子コンピューティングの実用的で汎用的で高性能なツールとして、ニューラルデコーダを確立している。
  論文  参考訳（メタデータ） (2025-09-14T17:51:46Z)
• Toward Exploring the Code Understanding Capabilities of Pre-trained Code Generation Models [12.959392500354223]
  私たちは、事前訓練されたコード生成モデルからコード理解タスクへの知識の移行の先駆者です。 CL4Dはデコーダのみのモデルの表現能力を向上させるために設計された,コントラスト学習手法である。
  論文  参考訳（メタデータ） (2024-06-18T06:52:14Z)
• Efficient Encoder-Decoder Transformer Decoding for Decomposable Tasks [53.550782959908524]
  エンコーダ・デコーダモデルのための新しい構成を導入し、構造化された出力と分解可能なタスクの効率を改善する。 提案手法は,インプットを一度エンコードして並列にデコードすることで,トレーニングと推論の効率を向上する。
  論文  参考訳（メタデータ） (2024-03-19T19:27:23Z)
• Hierarchical Attention Encoder Decoder [2.4366811507669115]
  自己回帰モデリングは、多くの実世界の応用を持つ複雑で斬新なシーケンスを生成することができる。 これらのモデルはアウトプットを自動回帰的に生成しなければなりません。 階層型リカレントデコーダアーキテクチャに基づくモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-01T18:17:23Z)
• The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
  データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。 本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-14T19:46:39Z)
• CodeRL: Mastering Code Generation through Pretrained Models and Deep Reinforcement Learning [92.36705236706678]
  CodeRLは、事前訓練されたLMと深層強化学習によるプログラム合成タスクのための新しいフレームワークである。 推論中、我々は重要なサンプリング戦略を持つ新しい生成手順を導入する。 モデルバックボーンについては,CodeT5のエンコーダデコーダアーキテクチャを拡張し,学習目標を拡張した。
  論文  参考訳（メタデータ） (2022-07-05T02:42:15Z)
• Pre-Training Transformer Decoder for End-to-End ASR Model with Unpaired Speech Data [145.95460945321253]
  本稿では,音響単位,すなわち擬似符号を用いたエンコーダ・デコーダネットワークのための2つの事前学習タスクを提案する。 提案したSpeech2Cは,デコーダを事前学習することなく,単語誤り率(WER)を19.2%削減できる。
  論文  参考訳（メタデータ） (2022-03-31T15:33:56Z)
• 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)
• Adversarial Neural Networks for Error Correcting Codes [76.70040964453638]
  機械学習(ML)モデルの性能と適用性を高めるための一般的なフレームワークを紹介する。 本稿では,MLデコーダと競合する識別器ネットワークを組み合わせることを提案する。 我々のフレームワークはゲーム理論であり、GAN(Generative Adversarial Network)によって動機付けられている。
  論文  参考訳（メタデータ） (2021-12-21T19:14:44Z)
• A Reinforcement Learning Based Encoder-Decoder Framework for Learning Stock Trading Rules [0.8594140167290099]
  楽器の長期の原価から単一楽器取引戦略を学習するための新しいエンド・ツー・エンドモデルを提案する。 エンコーダのパラメータとデコーダ構造が一緒に学習され、エンコーダはデコーダDRLのタスクに適合した機能を抽出することができる。 実験の結果, 提案モデルは, 動的環境において他の最先端モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-01-08T13:19:01Z)

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。