利用机器学习分类单量子比特噪声
量子物理
2019-09-02 v1 机器学习
摘要
量子表征、验证与确认（QCVV）技术用于探测、表征、诊断和检测量子信息处理器（QIPs）中的错误。任何QCVV协议的一个重要组成部分是从实验数据到QIP属性估计的映射。机器学习（ML）算法可帮助自动化QCVV协议的开发，通过从训练数据中学习来创建此类映射。我们确定了“机器学习”QCVV技术的关键组成部分，并提出了开发它们的准则。为演示该方法，我们聚焦于使用最初为门集层析术提出的数据集来确定影响单量子比特的噪声是相干还是随机（非相干）的问题。我们利用已知的ML算法训练一个区分这两类噪声的分类器。分类器的准确性取决于它对训练数据“自然”几何的近似程度。我们发现由噪声量子比特生成的GST数据集可被线性曲面可靠分离，尽管特征工程可能是必要的。我们还表明由支持向量机（SVM）学习的分类器在有限样本噪声下是鲁棒的。
引用
@article{arxiv.1908.11762,
title = {Classifying single-qubit noise using machine learning},
author = {Travis L. Scholten and Yi-Kai Liu and Kevin Young and Robin Blume-Kohout},
journal= {arXiv preprint arXiv:1908.11762},
year = {2019}
}
备注
20 pages (15 main, 5 supplemental), 11 figures, and 5 tables