پژوهش
GraphMP؛ رمزگشای کدهای کوانتومی که از تجربهٔ جست‌وجو یاد می‌گیرد
پیش‌چاپی در arXiv روشی معرفی می‌کند که با ترکیب یادگیری و جست‌وجوی هدایت‌شده، مدل‌های رمزگشایی را بدون تنظیم مجدد میان خانواده‌های مختلف کد و شرایط نویزی منتقل می‌کند.
پژوهشگران در پیش‌چاپی در arXiv از GraphMP رونمایی کرده‌اند؛ رمزگشایی مبتنی بر یادگیری برای کدهای کوانتومی با بررسی توازن کم‌تراکم (quantum LDPC). به‌گفتهٔ نویسندگان، این روش بدون fine-tuning میان خانواده‌های کد، اندازه‌های مختلف کد، نرخ‌های خطای فیزیکی و مدل‌های نویز جابه‌جا می‌شود.
GraphMP از پیام‌رسانی محلی روی گراف رمزگشایی استفاده می‌کند تا محاسبات با بزرگ‌شدن گراف مقیاس‌پذیر بماند. سپس جست‌وجوی beam با راهنمایی پیش‌بینی‌های مدل، الگوهای خطای احتمالی را مرحله‌به‌مرحله پالایش می‌کند؛ این کار زمان رمزگشایی بیشتری می‌طلبد، اما به‌گفتهٔ چکیده می‌تواند نرخ خطای منطقی را کاهش دهد.
این پژوهش همچنین مفهوم «کارخانهٔ مدل رمزگشا» را مطرح می‌کند: مدل‌های پی‌درپی با استفاده از تجربه‌ای آموزش می‌بینند که مدل‌های پیشین هنگام رمزگشایی تولید کرده‌اند. جست‌وجوی هدایت‌شده با مدل، مسیرهای تأییدشده‌ای فراهم می‌کند که برای تقطیر دانش به دادهٔ آموزشیِ قابل استفادهٔ مجدد تبدیل می‌شوند. متن در دسترس، جزئیات نتایج آزمایش‌ها را ارائه نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده