利用深度迁移学习自动表征 Fluxonium 超导量子比特参数

准确确定量子比特参数对于量子信息和计算应用的成功实现至关重要。在固态系统中，单个量子比特的参数在整个系统中各不相同，需要耗时的测量和手动拟合过程来进行表征。近期发展的超导量子比特，如 fluxonium 或 0-pi 量子比特，提供了改进的保真度操作，但表现出更复杂的物理和光谱结构，使参数提取变得复杂。在本工作中，我们提出了一种基于机器学习的自动且精确的 fluxonium 量子比特参数表征方法。我们的方法利用由具有不同磁场的模型哈密顿量计算得到的能谱作为机器学习模型的训练数据。输出为哈密顿量中 fluxonium 量子比特的关键能量参数 EJ、EC 和 EL。机器学习模型取得了显著的准确率（平均准确率 95.6%），作为初始猜测，使得直接应用于真实实验数据的自动拟合流程得以开发。此外，我们证明即使输入的光谱存在噪声或不完整，也能获得类似的准确率，这突显了模型的鲁棒性。这些结果表明，我们基于迁移学习的自动表征方法为未来扩展到其他超导量子比特或不同固态系统提供了可靠的框架。最终，我们相信这种方法为构建大规模量子处理器铺平了道路。