EdenCode Researchは、NVIDIA Ising Decodingの早期アクセス研究から得られた技術的知見を発表し、このオープンソースの3D CNNアーキテクチャが、元々設計された表面符号を超えて汎化できることを実証しました。Ising学習フレームワークをTannerグラフベースのシミュレータに接続することで、EdenCodeは単純なノイズモデルと相関ノイズモデル(CNOTフックエラー)の両方の下で、反復符号にデコーダーを適用することに成功しました。この結果は、あらゆる安定化符号の数学的表現であるTannerグラフが、構造的に異なる符号ファミリー間で効果的な訂正を学習するのに十分な構造情報をCNNに提供できることを確認しています。
この探索では、NVIDIA Ising事前デコーダー戦略を利用し、3D CNNを使用してシンドロームデータを「疎化」してから、PyMatchingのような従来のデコーダーに渡しました。NVIDIA H200 GPU上で実行し、EdenCodeは50Kから710万パラメータまでの6つのモデルアーキテクチャを評価しました。主な技術的成果には以下が含まれます:
- 性能向上: CNN + PyMatchingハイブリッドは、PyMatching単体と比較して論理エラー率（LER）を1.7～2.0倍削減することに成功した。
- 古典的高速化: よりスパースな残差シンドロームにより、従来のデコード段階で7倍の高速化を実現した。
- 汎化性能: このモデルは表面符号向けに設計されたにもかかわらず、アーキテクチャの変更なしに反復符号のエラーを効果的に削減し、普遍的なAIデコーダフレームワークとしての可能性を証明した。
EdenCode研究における重要な発見は、耐障害性システムにおける「共スケーリング」要件です。データは、量子符号距離(d)が増加するにつれて、エラー訂正の優位性を維持するためにAIデコーダーのサイズも比例して成長する必要があることを示しています。小規模モデル(50Kパラメータ)はd=3では利点を提供しましたが、d=9では性能が低下しました。対照的に、最大規模のモデル(710万パラメータ)は、テストされたすべての距離において強力な優位性を維持し、量子ハードウェアのスケーリングには古典的AIインフラの並行的なスケーリングが必要になることを示唆しています。
EdenCodeの研究は、実用的な量子コンピューティングの未来が量子ビットとGPUベースのデコーディングの共同スケーリングに依存することを示しています。低遅延相互接続のためにNVIDIA NVQLinkとIsing Decodingオープンモデルを活用することで、開発者は量子プロセッサとともにAIが成長するクローズドループ訂正システムを構築できるようになりました。この変化により、業界は量子層と古典層の共同性能が耐障害性マシンの信頼性を定義するパラダイムへと移行しています。
Tannerグラフと反復符号デコーディングの完全な技術的探索については、EdenCode Researchブログをご覧ください。NVIDIA Ising Decodingモデルと学習フレームワークへのアクセスは、build.nvidia.comまたは公式GitHubリポジトリから利用可能です。
2026年4月15日
