JP7186891B2 - ニューラルネットワークに基づく量子誤り訂正復号方法、装置、チップ、コンピュータ機器、及びコンピュータプログラム - Google Patents
ニューラルネットワークに基づく量子誤り訂正復号方法、装置、チップ、コンピュータ機器、及びコンピュータプログラム Download PDFInfo
- Publication number
- JP7186891B2 JP7186891B2 JP2021549530A JP2021549530A JP7186891B2 JP 7186891 B2 JP7186891 B2 JP 7186891B2 JP 2021549530 A JP2021549530 A JP 2021549530A JP 2021549530 A JP2021549530 A JP 2021549530A JP 7186891 B2 JP7186891 B2 JP 7186891B2
- Authority
- JP
- Japan
- Prior art keywords
- error
- information
- quantum
- neural network
- feature extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims description 165
- 238000013528 artificial neural network Methods 0.000 title claims description 156
- 238000000034 method Methods 0.000 title claims description 120
- 238000004590 computer program Methods 0.000 title claims description 6
- 208000011580 syndromic disease Diseases 0.000 claims description 299
- 238000000605 extraction Methods 0.000 claims description 152
- 238000005259 measurement Methods 0.000 claims description 63
- 239000002096 quantum dot Substances 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 47
- 239000003381 stabilizer Substances 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 23
- 238000003491 array Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000003325 tomography Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 41
- 238000010586 diagram Methods 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 21
- 238000003860 storage Methods 0.000 description 20
- 239000000243 solution Substances 0.000 description 18
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000004088 simulation Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 7
- 238000005192 partition Methods 0.000 description 5
- 238000004904 shortening Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010790 dilution Methods 0.000 description 4
- 239000012895 dilution Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/01—Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/015—Simulation or testing of codes, e.g. bit error rate [BER] measurements
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/03—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words
- H03M13/05—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits
- H03M13/13—Linear codes
- H03M13/15—Cyclic codes, i.e. cyclic shifts of codewords produce other codewords, e.g. codes defined by a generator polynomial, Bose-Chaudhuri-Hocquenghem [BCH] codes
- H03M13/151—Cyclic codes, i.e. cyclic shifts of codewords produce other codewords, e.g. codes defined by a generator polynomial, Bose-Chaudhuri-Hocquenghem [BCH] codes using error location or error correction polynomials
- H03M13/1575—Direct decoding, e.g. by a direct determination of the error locator polynomial from syndromes and subsequent analysis or by matrix operations involving syndromes, e.g. for codes with a small minimum Hamming distance
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/03—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words
- H03M13/05—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/61—Aspects and characteristics of methods and arrangements for error correction or error detection, not provided for otherwise
- H03M13/615—Use of computational or mathematical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/08—Error detection or correction by redundancy in data representation, e.g. by using checking codes
- G06F11/10—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's
- G06F11/1008—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's in individual solid state devices
- G06F11/1068—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's in individual solid state devices in sector programmable memories, e.g. flash disk
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/70—Quantum error correction, detection or prevention, e.g. surface codes or magic state distillation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Error Detection And Correction (AREA)
- Detection And Correction Of Errors (AREA)
Description
量子回路の誤りシンドローム情報を取得するステップであって、前記誤りシンドローム情報は量子誤り訂正符号のスタビライザージェネレータの固有値からなるデータ配列である、ステップ、
ニューラルネットワーク復号器によって前記誤りシンドローム情報に対してブロック分割特徴抽出を行って、特徴情報を獲得するステップであって、前記ニューラルネットワーク復号器の特徴抽出層は入力データに対してブロック分割特徴抽出を行うことに用いられ、前記ブロック分割特徴抽出とは入力データに対してブロック分割を行って少なくとも2つのブロックを獲得した後、少なくとも2つの特徴抽出ユニットを採用して前記少なくとも2つのブロックに対して並列する特徴抽出処理を行うことを指す、ステップ、及び
前記ニューラルネットワーク復号器によって前記特徴情報に対して融合復号処理を行って、誤り結果情報を獲得するステップであって、前記誤り結果情報は前記量子回路中に誤りが発生したデータ量子ビット及び相応の誤りのタイプを決定することに用いられる、ステップを含む。
量子回路の誤りシンドローム情報を取得するステップであって、前記誤りシンドローム情報は量子誤り訂正符号のスタビライザージェネレータの固有値からなるデータ配列である、ステップ、
ニューラルネットワーク復号器によって前記誤りシンドローム情報に対してブロック分割特徴抽出を行って、特徴情報を獲得するステップであって、前記ニューラルネットワーク復号器の特徴抽出層は入力データに対してブロック分割特徴抽出を行うことに用いられ、前記ブロック分割特徴抽出とは入力データに対してブロック分割を行って少なくとも2つのブロックを獲得した後、少なくとも2つの特徴抽出ユニットを採用して前記少なくとも2つのブロックに対して並列する特徴抽出処理を行うことを指す、ステップ、及び
前記ニューラルネットワーク復号器によって前記特徴情報に対して融合復号処理を行って、誤り結果情報を獲得するステップであって、前記誤り結果情報は前記量子回路中に誤りが発生したデータ量子ビット及び相応の誤りのタイプを決定することに用いられる、ステップを含む。
前記シンドローム情報取得モジュールは、量子回路の誤りシンドローム情報を取得することに用いられ、前記誤りシンドローム情報は量子誤り訂正符号のスタビライザージェネレータの固有値からなるデータ配列であり、
前記ブロック分割特徴抽出モジュールは、ニューラルネットワーク復号器によって前記誤りシンドローム情報に対してブロック分割特徴抽出を行って、特徴情報を獲得することに用いられ、前記ニューラルネットワーク復号器の特徴抽出層は入力データに対してブロック分割特徴抽出を行うことに用いられ、前記ブロック分割特徴抽出とは入力データに対してブロック分割を行って少なくとも2つのブロックを獲得した後、少なくとも2つの特徴抽出ユニットを採用して前記少なくとも2つのブロックに対して並列する特徴抽出処理を行うことを指し、
前記融合復号処理モジュールは、前記ニューラルネットワーク復号器によって前記特徴情報に対して融合復号処理を行って、誤り結果情報を獲得することに用いられ、前記誤り結果情報は前記量子回路中に誤りが発生したデータ量子ビット及び相応の誤りのタイプを決定することに用いられる。
class CNN_2D(nn.Module):
def __init__(self, input_size, output_size = 4):
self.input_size = input_size
super(CNN_2D, self).__init__()
self.conv1 = nn.Conv2D(15, 500, stride = 4, kernel_size = 4, padding = 0)
self.relu1 = nn.ReLU()
self.conv2 = nn.Conv2D(500, 1000, stride = 2, kernel_size = 2, padding = 0)
self.relu2 = nn.ReLU()
self.fc1 = nn.Linear(1000*2*2, 1024)
self.relu3 = nn.ReLU()
self.fc2 = nn.Linear(1024, 512)
self.relu4 = nn.ReLU()
self.fc3 = nn.Linear(512, 128)
self.relu5 = nn.ReLU()
self.fc4 = nn.Linear(128, 4)
def forward(self, x):
x = self.conv1(x)
x = self.relu1(x)
x = self.conv2(x)
x = self.relu2(x)
x = x.view(-1, 1000*2*2)
x = self.c1(x)
x = self.relu3(x)
x = self.fc2(x)
x = self.relu4(x)
x = self.fc3(x)
x = self.relu5(x)
x = self.fc4(x)
前記第1復号器は前記真の誤りシンドローム情報に対して復号を行って、前記真の誤りシンドローム情報に対応する論理誤り類を獲得することに用いられ、前記論理誤り類は前記量子回路に発生する誤りがマッピングを経た後の類であり、
前記第2復号器は前記真の誤りシンドローム情報に対して復号を行って、前記真の誤りシンドローム情報に対応する完全な誤りシンドローム情報を獲得することに用いられ、前記完全な誤りシンドローム情報とは前記量子回路に対してノイズがない誤りシンドローム測定を行って獲得する情報を指す。
前記第1取得ユニット1841は、前記論理誤り類に対応する第1誤り結果を取得することに用いられ、
前記第2取得ユニット1842は、前記完全な誤りシンドローム情報に対応する第2誤り結果を取得することに用いられ、
前記誤り決定ユニット1843は、前記第1誤り結果及び前記第2誤り結果にしたがって、前記量子回路中に誤りが発生したデータ量子ビット及び相応の誤りのタイプを決定することに用いられる。
サンプル量子回路に含まれる物理量子ビット上で誤りを確率的に発生させ、
前記サンプル量子回路に対応する補助量子ビット上で誤りを確率的に発生させ、前記補助量子ビットは前記サンプル量子回路の誤りシンドローム情報を測定して獲得することに用いられ、
前記サンプル量子回路に対応する固有値測定回路に含まれる制御NOTゲート上で誤りを確率的に発生させ、前記固有値測定回路はスタビライザージェネレータの固有値を測定することに用いられ、
量子誤り訂正符号を採用して前記サンプル量子回路に対して誤りシンドローム測定を行う時に測定誤りを確率的に発生させ、
前記サンプル量子回路の誤りシンドローム情報及び誤り結果情報を取得し、前記訓練データを生成する。
サンプル量子回路に対して量子プロセストモグラフィを行い、前記サンプル量子回路のノイズモデルを抽出し、
前記ノイズモデルに基づいて前記サンプル量子回路の量子状態のノイズ作用下での進化に対してシミュレーションを行い、
前記サンプル量子回路の誤りシンドローム情報及び誤り結果情報を取得し、前記訓練データを生成する。
12 黒色円
13 斜線充填
14 白色充填
21 黒色辺
22 斜線充填円部分
31 量子回路
32 希釈冷凍機
33 制御機器
33a 総合制御システム
33b 訂正モジュール
34 コンピュータ
61 シンドローム情報
62 ニューラルネットワーク復号器
81 白色点
82 黒色点
91 セグメント
101 斜線充填線分
102 黒色充填線分
111 シンドローム情報
112 ニューラルネットワーク復号器
131 黒色ドット
151 次元データ配列
152 第1復号器
153 第2復号器
1800 装置
1810 シンドローム情報取得モジュール
1812 シンドローム情報分割モジュール
1820 ブロック分割特徴抽出モジュール
1830 融合復号処理モジュール
1840 決定モジュール
1841 第1取得ユニット
1842 第2取得ユニット
1843 決定ユニット
1850 訂正信号生成モジュール
1860 訂正信号送信モジュール
2000 コンピュータ機器
2001 処理ユニット
2002 ランダムアクセスメモリ
2003 専用メモリ
2004 システムメモリ
2005 システムバス
2006 出力システム
2006 出力システム
2007 大容量記憶機器
2008 ディスプレイ
2009 入力機器
2010 入出力コントローラ
2011 ネットワークインタフェースユニット
2012 ネットワーク
2013 オペレーティングシステム
2014 アプリケーションプログラム
2015 プログラムモジュール
Claims (17)
- ニューラルネットワークに基づく量子誤り訂正復号方法であって、
量子回路の誤りシンドローム情報を取得するステップであって、前記誤りシンドローム情報は量子誤り訂正符号のスタビライザージェネレータの固有値からなるデータ配列である、ステップ、
ニューラルネットワーク復号器によって前記誤りシンドローム情報に対してブロック分割特徴抽出を行って、特徴情報を獲得するステップであって、前記ニューラルネットワーク復号器の特徴抽出層は入力データに対してブロック分割特徴抽出を行うことに用いられ、前記ブロック分割特徴抽出とは入力データに対してブロック分割を行って少なくとも2つのブロックを獲得した後、少なくとも2つの特徴抽出ユニットを採用して前記少なくとも2つのブロックに対して並列する特徴抽出処理を行うことを指す、ステップ、及び
前記ニューラルネットワーク復号器によって前記特徴情報に対して融合復号処理を行って、誤り結果情報を獲得するステップであって、前記誤り結果情報は前記量子回路中に誤りが発生したデータ量子ビット及び相応の誤りのタイプを決定することに用いられる、ステップを含むニューラルネットワークに基づく量子誤り訂正復号方法。 - 前記ニューラルネットワーク復号器はカスケードされたm個の特徴抽出層を含み、mは正の整数であり、
ニューラルネットワーク復号器によって前記誤りシンドローム情報に対してブロック分割特徴抽出を行って、特徴情報を獲得する前記ステップは、
前記m個の特徴抽出層によって前記誤りシンドローム情報に対してブロック分割特徴抽出を行って、前記特徴情報を獲得するステップを含み、
第1の特徴抽出層は前記誤りシンドローム情報に対してブロック分割特徴抽出を行うことに用いられ、第iの特徴抽出層は1つ前の特徴抽出層の特徴抽出結果に対してブロック分割特徴抽出を行うことに用いられ、iは1より大きく且つm以下の整数である請求項1に記載の方法。 - 前記誤りシンドローム情報はT個のデータ配列を含み、各データ配列は前記量子誤り訂正符号を採用して前記量子回路に対して1回の誤りシンドローム測定を行って獲得するものであり、Tは1より大きい整数であり、
量子回路の誤りシンドローム情報を取得する前記ステップの後、
前記誤りシンドローム情報を少なくとも2つのデータユニットに分割するステップを更に含み、
1つのデータユニットは前記T個のデータ配列のうちの同じ位置にあるT個の配列ユニットを含む請求項1に記載の方法。 - 前記誤りシンドローム情報は前記量子誤り訂正符号を採用して前記量子回路に対してノイズがある誤りシンドローム測定を行って獲得する真の誤りシンドローム情報であり、前記ニューラルネットワーク復号器は第1復号器及び第2復号器を含み、
前記第1復号器は前記真の誤りシンドローム情報に対して復号を行って、前記真の誤りシンドローム情報に対応する論理誤り類を獲得することに用いられ、前記論理誤り類は前記量子回路に発生する誤りがマッピングを経た後の類であり、
前記第2復号器は前記真の誤りシンドローム情報に対して復号を行って、前記真の誤りシンドローム情報に対応する完全な誤りシンドローム情報を獲得することに用いられ、前記完全な誤りシンドローム情報とは前記量子回路に対してノイズがない誤りシンドローム測定を行って獲得する情報を指し、
前記ニューラルネットワーク復号器によって前記特徴情報に対して融合復号処理を行って、誤り結果情報を獲得する前記ステップの後、
前記論理誤り類及び前記完全な誤りシンドローム情報にしたがって、前記量子回路中に誤りが発生したデータ量子ビット及び相応の誤りのタイプを決定するステップを更に含む請求項1に記載の方法。 - 前記論理誤り類及び前記完全な誤りシンドローム情報にしたがって、前記量子回路中に誤りが発生したデータ量子ビット及び相応の誤りのタイプを決定する前記ステップは、
前記論理誤り類に対応する第1誤り結果を取得するステップ、
前記完全な誤りシンドローム情報に対応する第2誤り結果を取得するステップ、及び
前記第1誤り結果及び前記第2誤り結果にしたがって、前記量子回路中に誤りが発生したデータ量子ビット及び相応の誤りのタイプを決定するステップを含む請求項4に記載の方法。 - 前記論理誤り類に対応する第1誤り結果を取得する前記ステップは、
前記論理誤り類に含まれる元素の中から、任意の1つの元素を前記第1誤り結果として選択するステップを含み、
前記論理誤り類中に少なくとも1つの等価の誤り元素が含まれる請求項4に記載の方法。 - 前記完全な誤りシンドローム情報に対応する第2誤り結果を取得する前記ステップは、
マッピングテーブルを問い合わせて前記完全な誤りシンドローム情報のうちの各々の誤りシンドロームポイントにそれぞれ対応する簡単な誤りを取得するステップであって、前記マッピングテーブル中には少なくとも1組の誤りシンドロームポイントと簡単な誤りとの間のマッピング関係が含まれる、ステップ、及び
前記各々の誤りシンドロームポイントにそれぞれ対応する簡単な誤りを乗算して、前記第2誤り結果を獲得するステップを含む請求項4に記載の方法。 - 前記第1誤り結果及び前記第2誤り結果にしたがって、前記量子回路中に誤りが発生したデータ量子ビット及び相応の誤りのタイプを決定する前記ステップは、
前記第1誤り結果と前記第2誤り結果の相乗積を計算し、前記量子回路中に誤りが発生したデータ量子ビット及び相応の誤りのタイプを獲得するステップを含む請求項4に記載の方法。 - 前記第2復号器の数はkであり、kは正の整数であり且つ前記kは前記量子誤り訂正符号のスケールに関連し、
前記k個の第2復号器は前記真の誤りシンドローム情報に対してそれぞれ復号を行って、k個の完全な誤りシンドロームビットを獲得することに用いられ、
前記k個の完全な誤りシンドロームビットは統合されて前記完全な誤りシンドローム情報を獲得することに用いられる請求項4に記載の方法。 - 前記ニューラルネットワーク復号器の訓練データの生成過程は以下のとおりである:
サンプル量子回路に含まれる物理量子ビット上で誤りを確率的に発生させ、
前記サンプル量子回路に対応する補助量子ビット上で誤りを確率的に発生させ、前記補助量子ビットは前記サンプル量子回路の誤りシンドローム情報を測定して獲得することに用いられ、
前記サンプル量子回路に対応する固有値測定回路に含まれる制御NOTゲート上で誤りを確率的に発生させ、前記固有値測定回路はスタビライザージェネレータの固有値を測定することに用いられ、
量子誤り訂正符号を採用して前記サンプル量子回路に対して誤りシンドローム測定を行う時に測定誤りを確率的に発生させ、
前記サンプル量子回路の誤りシンドローム情報及び誤り結果情報を取得し、前記訓練データを生成する請求項1に記載の方法。 - 前記ニューラルネットワーク復号器の訓練データの生成過程は以下のとおりである:
サンプル量子回路に対して量子プロセストモグラフィを行い、前記サンプル量子回路のノイズモデルを抽出し、
前記ノイズモデルに基づいて前記サンプル量子回路の量子状態のノイズ作用下での進化に対してシミュレーションを行い、
前記サンプル量子回路の誤りシンドローム情報及び誤り結果情報を取得し、前記訓練データを生成する請求項1に記載の方法。 - 前記ニューラルネットワーク復号器によって前記特徴情報に対して融合復号処理を行って、誤り結果情報を獲得する前記ステップの後、
前記誤り結果情報にしたがって誤り訂正制御信号を生成するステップであって、前記誤り訂正制御信号は前記量子回路に生じた誤りに対して訂正を行うことに用いられる、ステップ、及び
前記量子回路に前記誤り訂正制御信号を送信するステップを更に含む請求項1~11のいずれか1項に記載の方法。 - コンピュータ機器に応用される、ニューラルネットワークに基づく量子誤り訂正復号方法であって、
量子回路の誤りシンドローム情報を取得するステップであって、前記誤りシンドローム情報は量子誤り訂正符号のスタビライザージェネレータの固有値からなるデータ配列である、ステップ、
ニューラルネットワーク復号器によって前記誤りシンドローム情報に対してブロック分割特徴抽出を行って、特徴情報を獲得するステップであって、前記ニューラルネットワーク復号器の特徴抽出層は入力データに対してブロック分割特徴抽出を行うことに用いられ、前記ブロック分割特徴抽出とは入力データに対してブロック分割を行って少なくとも2つのブロックを獲得した後、少なくとも2つの特徴抽出ユニットを採用して前記少なくとも2つのブロックに対して並列する特徴抽出処理を行うことを指す、ステップ、及び
前記ニューラルネットワーク復号器によって前記特徴情報に対して融合復号処理を行って、誤り結果情報を獲得するステップであって、前記誤り結果情報は前記量子回路中に誤りが発生したデータ量子ビット及び相応の誤りのタイプを決定することに用いられる、ステップを含むニューラルネットワークに基づく量子誤り訂正復号方法。 - ニューラルネットワークに基づく量子誤り訂正復号装置であって、前記装置は、シンドローム情報取得モジュール、ブロック分割特徴抽出モジュール及び融合復号処理モジュールを含み、
前記シンドローム情報取得モジュールは、量子回路の誤りシンドローム情報を取得することに用いられ、前記誤りシンドローム情報は量子誤り訂正符号のスタビライザージェネレータの固有値からなるデータ配列であり、
前記ブロック分割特徴抽出モジュールは、ニューラルネットワーク復号器によって前記誤りシンドローム情報に対してブロック分割特徴抽出を行って、特徴情報を獲得することに用いられ、前記ニューラルネットワーク復号器の特徴抽出層は入力データに対してブロック分割特徴抽出を行うことに用いられ、前記ブロック分割特徴抽出とは入力データに対してブロック分割を行って少なくとも2つのブロックを獲得した後、少なくとも2つの特徴抽出ユニットを採用して前記少なくとも2つのブロックに対して並列する特徴抽出処理を行うことを指し、
前記融合復号処理モジュールは、前記ニューラルネットワーク復号器によって前記特徴情報に対して融合復号処理を行って、誤り結果情報を獲得することに用いられ、前記誤り結果情報は前記量子回路中に誤りが発生したデータ量子ビット及び相応の誤りのタイプを決定することに用いられるニューラルネットワークに基づく量子誤り訂正復号装置。 - チップであって、前記チップはプログラマブル論理回路及び/又はプログラム命令を含み、前記チップはコンピュータ機器上で演算し、請求項1~12のいずれか1項に記載のニューラルネットワークに基づく量子誤り訂正復号方法を実施することに用いられるチップ。
- コンピュータ機器であって、前記コンピュータ機器はプロセッサ及びメモリを含み、前記メモリ中に少なくとも1つの命令、少なくとも1つのプログラム、コードセット又は命令セットが記憶されており、前記少なくとも1つの命令、前記少なくとも1つのプログラム、前記コードセット又は命令セットは前記プロセッサがロードして実行することで、請求項1~12のいずれか1項に記載のニューラルネットワークに基づく量子誤り訂正復号方法を実施するコンピュータ機器。
- コンピュータプログラムであって、前記コンピュータプログラム中に少なくとも1つの命令、少なくとも1つのプログラム、コードセット又は命令セットが記憶されており、前記少なくとも1つの命令、前記少なくとも1つのプログラム、前記コードセット又は命令セットはプロセッサがロードして実行することで、請求項1~12のいずれか1項に記載のニューラルネットワークに基づく量子誤り訂正復号方法を実施するコンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010296660.4 | 2020-04-15 | ||
CN202010296660.4A CN111510157B (zh) | 2020-04-15 | 2020-04-15 | 基于神经网络的量子纠错解码方法、装置及芯片 |
PCT/CN2020/135047 WO2021208462A1 (zh) | 2020-04-15 | 2020-12-09 | 基于神经网络的量子纠错解码方法、装置及芯片 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022532466A JP2022532466A (ja) | 2022-07-15 |
JP7186891B2 true JP7186891B2 (ja) | 2022-12-09 |
Family
ID=71876098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021549530A Active JP7186891B2 (ja) | 2020-04-15 | 2020-12-09 | ニューラルネットワークに基づく量子誤り訂正復号方法、装置、チップ、コンピュータ機器、及びコンピュータプログラム |
Country Status (6)
Country | Link |
---|---|
US (1) | US11652497B2 (ja) |
EP (1) | EP3934103A4 (ja) |
JP (1) | JP7186891B2 (ja) |
KR (1) | KR102573252B1 (ja) |
CN (1) | CN111510157B (ja) |
WO (1) | WO2021208462A1 (ja) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632881B (zh) * | 2020-01-17 | 2022-03-08 | 腾讯科技(深圳)有限公司 | 量子克里福德电路的容错计算方法、装置、设备及芯片 |
CN111510158B (zh) * | 2020-04-15 | 2021-10-15 | 腾讯科技(深圳)有限公司 | 量子电路的容错纠错解码方法、装置及芯片 |
CN111510157B (zh) * | 2020-04-15 | 2022-03-04 | 腾讯科技(深圳)有限公司 | 基于神经网络的量子纠错解码方法、装置及芯片 |
CN111814362B (zh) * | 2020-08-28 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、系统及存储介质和终端设备 |
CN111967603B (zh) * | 2020-09-01 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 量子芯片、量子处理器及量子计算机 |
CN112734043B (zh) * | 2021-01-07 | 2021-11-05 | 电子科技大学 | 一种基于深度学习的分段容错逻辑量子电路解码方法 |
KR20220114519A (ko) | 2021-02-07 | 2022-08-17 | 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 | 양자 오류 정정 디코딩 시스템 및 방법, 내결함성 양자 오류 정정 시스템 및 칩 |
CN112988451B (zh) * | 2021-02-07 | 2022-03-15 | 腾讯科技(深圳)有限公司 | 量子纠错解码系统、方法、容错量子纠错系统及芯片 |
US11521104B2 (en) * | 2021-02-19 | 2022-12-06 | Microsoft Licensing Technology, LLC | Quantum error correction with realistic measurement data |
CN113159324B (zh) * | 2021-02-26 | 2023-11-07 | 山东英信计算机技术有限公司 | 一种量子设备校准方法、装置、设备及介质 |
CN113065659B (zh) * | 2021-03-25 | 2022-01-11 | 北京百度网讯科技有限公司 | 消除量子噪声的方法及装置、电子设备和介质 |
CN113065661B (zh) * | 2021-03-30 | 2021-11-23 | 北京百度网讯科技有限公司 | 量子态测量方法、装置、设备、存储介质及系统 |
CN113379059B (zh) * | 2021-06-10 | 2022-09-23 | 北京百度网讯科技有限公司 | 用于量子数据分类的模型训练方法以及量子数据分类方法 |
CN114692856A (zh) * | 2022-03-08 | 2022-07-01 | 青岛理工大学 | 一种结合q神经网络的量子颜色码的投影解码方法 |
CN114745104B (zh) * | 2022-03-08 | 2024-04-12 | 青岛理工大学 | 基于多维量子纠错的消除噪声干扰的信息传输方法 |
WO2023189886A1 (ja) * | 2022-03-31 | 2023-10-05 | ソニーグループ株式会社 | 情報処理装置 |
US12001925B2 (en) * | 2022-04-14 | 2024-06-04 | Riverlane Ltd | Preparation of qubits |
US12039411B2 (en) * | 2022-04-29 | 2024-07-16 | Red Hat, Inc. | Performing error correction optimization for quantum services using quantum simulators |
US12039412B2 (en) * | 2022-07-26 | 2024-07-16 | Qingdao university of technology | Method for transmitting information through topological quantum error correction based on multi-space-time transformation |
CN118070913A (zh) * | 2022-11-22 | 2024-05-24 | 腾讯科技(深圳)有限公司 | 基于神经网络的量子纠错解码方法、装置、设备及芯片 |
CN115632660B (zh) * | 2022-12-22 | 2023-03-17 | 山东海量信息技术研究院 | 一种数据压缩方法、装置、设备及介质 |
CN117649668B (zh) * | 2023-12-22 | 2024-06-14 | 南京天溯自动化控制系统有限公司 | 一种医疗设备计量证书识别和分析方法 |
CN117895953B (zh) * | 2024-03-14 | 2024-07-16 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于泡利算符解耦表示的置信传播译码方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110572166A (zh) | 2019-09-19 | 2019-12-13 | 天津大学 | 一种基于深度学习的bch码译码方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1359698B1 (en) * | 2002-04-30 | 2005-01-12 | Psytechnics Ltd | Method and apparatus for transmission error characterisation |
CN102118226B (zh) * | 2011-01-13 | 2014-05-28 | 中国电力科学研究院 | 一种智能变电站内的量子通信纠错编解码方法 |
KR101559076B1 (ko) * | 2014-01-24 | 2015-10-08 | 고려대학교 산학협력단 | 양자 채널을 통한 터보 코드 방식의 효율적인 정보 재건 기법 |
US9762262B2 (en) * | 2014-06-18 | 2017-09-12 | Alcatel Lucent | Hardware-efficient syndrome extraction for entangled quantum states |
US9748976B2 (en) * | 2015-05-22 | 2017-08-29 | Northrop Grumman Systems Corporation | Fault tolerant syndrome extraction and decoding in Bacon-Shor quantum error correction |
KR20190034985A (ko) * | 2017-09-25 | 2019-04-03 | 삼성전자주식회사 | 인공 신경망의 양자화 방법 및 장치 |
US11645493B2 (en) * | 2018-05-04 | 2023-05-09 | Microsoft Technology Licensing, Llc | Flow for quantized neural networks |
US11374594B2 (en) * | 2018-05-05 | 2022-06-28 | Intel Corporation | Apparatus and method including neural network learning to detect and correct quantum errors |
CN109257166B (zh) * | 2018-08-31 | 2020-04-07 | 西安电子科技大学 | 一种用于量子中继器的量子纠错编码方法 |
US11025907B2 (en) * | 2019-02-28 | 2021-06-01 | Google Llc | Receptive-field-conforming convolution models for video coding |
WO2020077303A1 (en) * | 2018-10-12 | 2020-04-16 | Lucarelli Dennis | System and methods for quantum post-selection using logical parity encoding and decoding |
CN110011671B (zh) * | 2019-03-18 | 2021-06-25 | 西安电子科技大学 | 基于动态时隙分配的量子纠错码标记位症状测量方法 |
CN110380824A (zh) | 2019-07-19 | 2019-10-25 | 哈尔滨工业大学 | 面向容错盲量子计算的量子纠错码制备方法 |
CN110518920A (zh) * | 2019-08-05 | 2019-11-29 | 安徽继远软件有限公司 | 一种适用于量子密钥分发系统的纠错编解码方法 |
US11469778B2 (en) * | 2019-12-19 | 2022-10-11 | Microsoft Technology Licensing, Llc | Isolated fault decoder |
CN111510158B (zh) * | 2020-04-15 | 2021-10-15 | 腾讯科技(深圳)有限公司 | 量子电路的容错纠错解码方法、装置及芯片 |
CN111510157B (zh) * | 2020-04-15 | 2022-03-04 | 腾讯科技(深圳)有限公司 | 基于神经网络的量子纠错解码方法、装置及芯片 |
-
2020
- 2020-04-15 CN CN202010296660.4A patent/CN111510157B/zh active Active
- 2020-12-09 KR KR1020217031512A patent/KR102573252B1/ko active IP Right Grant
- 2020-12-09 WO PCT/CN2020/135047 patent/WO2021208462A1/zh unknown
- 2020-12-09 EP EP20920761.2A patent/EP3934103A4/en active Pending
- 2020-12-09 JP JP2021549530A patent/JP7186891B2/ja active Active
-
2021
- 2021-08-27 US US17/460,011 patent/US11652497B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110572166A (zh) | 2019-09-19 | 2019-12-13 | 天津大学 | 一种基于深度学习的bch码译码方法 |
Non-Patent Citations (1)
Title |
---|
Milap Sheth,Sara Zafar Jafarzadeh,and Vlad Gheorghiu,Neural ensemble decording for topological quantum error-correcting codes,PHYSICAL REVIEW A,2020年03月23日,インターネット:<URL:https://journals.aps.org/pra/abstract/10.1103/PhysRevA.101.032338> |
Also Published As
Publication number | Publication date |
---|---|
US20210391873A1 (en) | 2021-12-16 |
EP3934103A1 (en) | 2022-01-05 |
KR20210134363A (ko) | 2021-11-09 |
CN111510157B (zh) | 2022-03-04 |
JP2022532466A (ja) | 2022-07-15 |
US11652497B2 (en) | 2023-05-16 |
WO2021208462A1 (zh) | 2021-10-21 |
EP3934103A4 (en) | 2022-06-01 |
CN111510157A (zh) | 2020-08-07 |
KR102573252B1 (ko) | 2023-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7186891B2 (ja) | ニューラルネットワークに基づく量子誤り訂正復号方法、装置、チップ、コンピュータ機器、及びコンピュータプログラム | |
JP7182015B2 (ja) | 量子回路のフォールトトレランス・誤り訂正・復号方法、装置及びチップ並びにコンピュータプログラム | |
CA3133917C (en) | Simulating errors of a quantum device using variational quantum channels | |
Chamberland et al. | Deep neural decoders for near term fault-tolerant experiments | |
US10423887B2 (en) | Compilation, memory management, and fault localization with ancillas in an unknown state | |
US11250341B2 (en) | System, method and computer readable medium for quassical computing | |
US20190362232A1 (en) | Information processing apparatus, information processing method, and computer-readable storage medium | |
Han et al. | Learning physical dynamics with subequivariant graph neural networks | |
CN114175060A (zh) | 用于量子计算设备的测量序列确定 | |
Kostavelis et al. | On the optimization of hierarchical temporal memory | |
Bökman et al. | Zz-net: A universal rotation equivariant architecture for 2d point clouds | |
Levental | Tensor networks for simulating quantum circuits on FPGAs | |
Datta et al. | Nearest neighbor mapping of quantum circuits to two-dimensional hexagonal qubit architecture | |
AU2018274948B2 (en) | System, method and computer readable medium for quassical computing | |
WO2024109128A1 (zh) | 基于神经网络的量子纠错解码方法、装置、设备及芯片 | |
Villalobos et al. | Do Deep Neural Networks for Segmentation Understand Insideness? | |
Semmler et al. | N-Dimensional Image Encoding on Quantum Computers | |
US20230144633A1 (en) | Quantum computing task processing method and system and computer device | |
Mebtouche et al. | Quantum Computing for Computer Vision: Applications, Challenges, and Research Tracks | |
Vimal et al. | High-speed deep learning low power and stochastic computation for on FPGA | |
Liiv | Semi-supervised anomaly detection in mask writer servo logs: An investigation of semi-supervised deep learning approaches for anomaly detection in servo logs of photomask writers | |
Mentor et al. | GENERATIVE MODELS FOR IMAGE RECONSTRUCTION OF HETEROGENEOUS MATERIALS | |
Gaur | Exploring Per-Input Filter Selection and Approximation Techniques for Deep Neural Networks | |
JP2022178099A (ja) | 最適化方法、最適化装置、及びプログラム | |
Vladimir et al. | Logical analysis of information in tabular form |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210823 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210823 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221031 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221129 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7186891 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |