論文の概要: Beyond Blossom: Accelerating MWPM Decoding for Surface Codes With Local Predecoding and Architecture-Aware Optimizations
- arxiv url: http://arxiv.org/abs/2611.18476v1
- Date: Fri, 13 Nov 2026 17:49:31 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:28:11.759417
- Title: Beyond Blossom: Accelerating MWPM Decoding for Surface Codes With Local Predecoding and Architecture-Aware Optimizations
- Title(参考訳): Beyond Blossom: ローカルプリコーディングとアーキテクチャ対応最適化を備えたサーフェスコードのMWPMデコーディングの高速化
- Abstract要約: Beyond Blossomは、サーフェスコードのための最先端のCPUベースのMWPMデコーダである。
アルゴリズム最適化をローカルプリコーディング、アーキテクチャ対応最適化、パイプラインワイド並列処理で組み合わせる。
距離33と物理エラー率0.1%、CPUコア8基で、33ラウンドのブロックをデコードすると平均21.40ドル、ラウンド当たり0.65ドルとなる。
- 参考スコア(独自算出の注目度): 9.846257885156476
- License:
- Abstract: Minimum-weight perfect matching (MWPM) is widely used to decode surface codes, but its computational cost increases with code distance. We present Beyond Blossom, a state-of-the-art CPU-based MWPM decoder for surface codes. It combines algorithmic optimization through local predecoding, architecture-aware optimization, and pipeline-wide parallelism to reduce matching workload and execution overhead while preserving MWPM optimality. Across rotated surface codes with distances 9-33 and circuit-level physical error rates of 0.05%-0.3%, on a single CPU core, Beyond Blossom achieves a 4.23$\times$ geometric-mean speedup and up to 5.58$\times$ speedup over Sparse Blossom in PyMatching. At distance 33 and a physical error rate of 0.1%, with 8 CPU cores, decoding a block of 33 measurement rounds takes 21.40 $μ$s on average, equivalent to 0.65 $μ$s per round.
- Abstract(参考訳): 最小ウェイト完全マッチング (MWPM) は表面符号のデコードに広く用いられているが、その計算コストは符号距離によって増加する。
我々は、サーフェスコードのための最先端CPUベースのMWPMデコーダであるBeyond Blossomを提示する。
局所的なプリコーディング、アーキテクチャを意識した最適化、パイプライン全体の並列性によるアルゴリズム最適化を組み合わせることで、MWPMの最適性を保ちながら、作業負荷と実行オーバーヘッドの一致を低減する。
距離9-33と回路レベルの物理誤差率0.05%-0.3%の回転曲面符号を1つのCPUコア上で回すと、Beyond Blossomは4.23$\times$ 幾何平均速度と最大5.58$\times$ Sparse Blossom in PyMatchingを達成する。
距離33と物理誤差率0.1%、CPUコア8つで、33回の測定ラウンドのブロックをデコードすると平均21.40ドル、ラウンド当たり0.65ドルとなる。
関連論文リスト
- Decoder Dependence in Surface-Code Threshold Estimation with Native Gottesman-Kitaev-Preskill Digitization and Parallelized Sampling [4.11280059407553]
パウリノイズとネイティブGKPスタイルのガウス変位ディジタル化という2つの整合状態下での表面符号閾値研究におけるデコーダ依存性のベンチマークを行った。
We benchmark MWPM, Union-Find (UF), Belief Propagation (BP), and neural-guided MWPM with fixed seed, same sweep grid, and unified reporting across across runs 06-14。
論文 参考訳(メタデータ) (2026-03-25T18:07:04Z) - Speedy MASt3R [68.47052557089631]
MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。
高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。
この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
論文 参考訳(メタデータ) (2025-03-13T03:56:22Z) - Micro Blossom: Accelerated Minimum-Weight Perfect Matching Decoding for Quantum Error Correction [4.1300531003759575]
この研究は、Micro Blossomと呼ばれる、初めて公開されたMWPMデコーダを提示し、サブマイクロ秒のデコード遅延を実現する。
Micro Blossomは、最初のハードウェアアクセラレーションによる正確なMWPMデコーダであり、この文献で報告されているMWPMデコーダ実装の最高のレイテンシよりも0.8 mu s$のデコードレイテンシが8倍短い。
論文 参考訳(メタデータ) (2025-02-20T18:08:55Z) - Quantum error correction below the surface code threshold [107.92016014248976]
量子誤り訂正は、複数の物理量子ビットを論理量子ビットに結合することで、実用的な量子コンピューティングに到達するための経路を提供する。
本研究では, リアルタイムデコーダと統合された距離7符号と距離5符号の2つの面符号メモリを臨界閾値以下で動作させる。
以上の結果から,大規模なフォールトトレラント量子アルゴリズムの動作要件を実現する装置の性能が示唆された。
論文 参考訳(メタデータ) (2024-08-24T23:08:50Z) - Hardware-Aware Parallel Prompt Decoding for Memory-Efficient Acceleration of LLM Inference [23.633481089469836]
LLM(Large Language Models)の自動回帰デコーディングは、ハードウェアの性能に大きなオーバーヘッドをもたらす。
トレーニング可能なパラメータを0.0002$%しか必要とせず,A100-40GBのGPUをたった16時間で効率的にトレーニングできる並列プロンプトデコーディングを提案する。
我々のアプローチでは、最大2.49$times$ スピードアップを示し、最小のメモリオーバーヘッドは0.0004$%である。
論文 参考訳(メタデータ) (2024-05-28T22:19:30Z) - FPGA-based Distributed Union-Find Decoder for Surface Codes [3.780617572622938]
フォールトトレラントな量子コンピュータは、エラー訂正による指数的な減速を防ぐために、エラーの復号と修正を高速に行う必要がある。
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。
論文 参考訳(メタデータ) (2024-03-20T13:36:59Z) - 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) - RAMP: A Flat Nanosecond Optical Network and MPI Operations for
Distributed Deep Learning Systems [68.8204255655161]
我々は、RAMPと呼ばれるナノ秒再構成による、ほぼスケール、全2分割帯域、オールツーオール、シングルホップ、オール光学ネットワークアーキテクチャを導入する。
RAMPは、最大65,536ノードで1ノードあたり12.8Tbpsの大規模分散並列コンピューティングシステムをサポートしている。
論文 参考訳(メタデータ) (2022-11-28T11:24:51Z)
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。