通过机器学习加速两水平系统的表征——面向超导量子比特

我们引入一种从单一两水平系统(TLS)参数——频率 $\omega_{TLS}$、耦合强度 $g$、耗散时间 $T_{TLS, 1}$ 和纯失相时间 $T^{\phi}_{TLS, 2}$——形成的 4 组成分向量 $\vec{q}$，直接从由两种两种音调光谱生成的单个 TLS 模拟光谱数据中提取参数的数据驱动方法。具体而言，我们证明了自定义卷积神经网络模型(CNN)能够从以图像形式呈现的光谱数据中同时预测 $\omega_{TLS}$、$g$、$T_{TLS, 1}$ 和 $T^{\phi}_{TLS, 2}$。我们的结果表明，该模型在成功提取 TLS 参数方面优于扰动理论方法。尽管模型最初在无噪声数据上训练后，在噪声图像上评估时准确率会下降，但对其进行噪声数据集重新训练可显著提升性能，达到与无噪声条件相当的结果。此外，模型对 $\omega_{TLS}$ 和 $g$ 的预测准确率高于 $T_{TLS, 1}$ 和 $T^{\phi}_{TLS, 2}$。