Træning af neurale trosformidlings-dekodere til kvantefejlkorrigerende koder

To forskere ved Université de Sherbrooke, i Canada, har for nylig udviklet og uddannet neurale trosudbredelses- (BP) dekodere til kvantiteter med lav densitet paritetskontrol (LDPC) koder. Deres undersøgelse, skitseret i et papir publiceret i Physical Review Letters, antyder, at træning kan forbedre ydeevnen for BP -dekodere betydeligt, hjælper med at løse spørgsmål, der almindeligvis er forbundet med deres anvendelse i kvanteforskning.

"Ti år siden, Jeg skrev en artikel med Yeojin Chung, der forklarede, hvordan standardafkodningsalgoritmer for LDPC -koder, som i vid udstrækning bruges i klassisk kommunikation, ville mislykkes i kvanteindstillingen, "David Poulin, en af ​​forskerne, der gennemførte undersøgelsen, fortalte Phys.org. "Dette problem har besat mig lige siden. For nylig har mennesker er begyndt at undersøge brugen af ​​neurale netværk til at afkode kvantekoder, men de fokuserede alle på et problem (afkodning af topologiske koder), der allerede havde en række gode menneskeskabte løsninger. Dette var den perfekte lejlighed til at besøge mit foretrukne åbne problem igen og bruge neurale netværk til at afkode kvantekoder, der ikke havde nogen tidligere kendt dekoder. "

Mens BP -dekodere almindeligvis anvendes i en række forskellige indstillinger, hidtil har de vist sig at være uegnede til at afkode kvantefejlkorrigerende koder. Dette skyldes en unik kvantefunktion, der kaldes 'fejldegeneration, "hvilket i det væsentlige betyder, at der er flere måder at rette en fejl i kvanteindstillinger på.

Klassiske BP -algoritmer består af tre enkle ligninger. Strukturen af ​​disse ligninger muliggør en nøjagtig kortlægning til et feed-forward neuralt netværk. Med andre ord, det er muligt at genfortolke de BP -ligninger, der sædvanligvis bruges til at afkode LDPC -koder, som beskriver den indledende indstilling af et neuralt netværk.

Tidligere forskning har fundet ud af, at dette 'indledende neurale netværk' ikke fungerer godt i kvanteindstillinger, på trods af at opnå bedre ydeevne end tilfældige neurale netværk. I deres undersøgelse, Poulin og hans kollega Ye-Hua Liu forbedrede ydeevnen for det 'oprindelige neurale netværk' ved at træne det med data genereret af numeriske simuleringer.

"Træningen styres af en målfunktion, der tager højde for kvanteeffekter, "Liu fortalte Phys.org." Generelt set, neurale dekodere har den fordel, at de er tilpasset vilkårlig støjstatistik i realistiske kanaler. Ud over det, vores metode er gældende for kvante LDPC -koder uden regelmæssige gitterstrukturer. Disse koder er meget lovende for at realisere lav-overhead kvantefejlkorrektion. "

Forskerne fandt ud af, at træning af de neurale BP -dekodere ved hjælp af den teknik, de anvendte, forbedrede deres ydeevne, for alle de familier af LDPC -koder, de testede. I øvrigt, den træningsteknik, de brugte, kunne hjælpe med at løse det degenerationsproblem, der generelt plager afkodning af kvante LDPC -koder.

"Træning af det neurale BP -netværk kan forbedre dets ydeevne betydeligt til korrektion af kvantefejl, hvilket betyder, at en klassisk algoritme kan tilpasses kvanteindstillingen ved hjælp af deep-learning-metoder, "Sagde Liu." Dette inspirerer os til at lede efter andre eksempler som dette i kvantefysik, at afsløre en bredere forbindelse mellem dyb læring og naturvidenskab. For eksempel, trosformidling bruges i vid udstrækning på mange andre forskningsområder, herunder statistisk fysik, hvilket indebærer, at neuralt BP også kan gavne forskning i kvantestatistisk fysik. "

I deres fremtidige arbejde, Poulin og Liu planlægger at studere neuralt BP i forbindelse med statistisk fysik. Hvis du træner med den samme teknik, forskerne forventer, at BP, som også kaldes 'hulrumsmetoden' i denne særlige indstilling, vil også vise en forbedret ydeevne i denne sammenhæng.

"Mere generelt, trosformidling tilhører den vigtige klasse af beskedoverførende algoritmer, som viser sig at være nært beslægtet med grafkonvolutionsnetværk inden for deep-learning forskning, "Tilføjede Liu." Det ville være meget frugtbart at få indsigt i disse strukturer fra en fysikers synspunkt. "

© 2019 Science X Network