复用超导量子比特态的深度神经网络判别
量子物理
2021-06-21 v2
摘要
展示量子计算优势将需要对多量子比特系统的高保真度控制与读出。随着系统规模增大，复用量子比特读出成为限制资源开销增长的现实必要手段。许多当代量子比特态判别器假定单量子比特工作条件或需要可观的计算量，限制了其潜在可扩展性。在此，我们提出使用神经网络作为态判别器进行多量子比特读出。我们将我们的方法与在具有五个超导量子比特和频率复用读出的量子器件上采用的当代方法进行比较。我们发现全连接前馈神经网络提升了我们系统的量子比特态指派保真度。相对于当代判别器，由于补偿了系统相关的非理想性（如读出串扰降低了至多一个数量级），指派错误率降低了至多 25%。我们的工作展示了一个对近期器件与未来容错系统均相关的高保真度读出的潜在可扩展构建模块。
引用
@article{arxiv.2102.12481,
title = {Deep Neural Network Discrimination of Multiplexed Superconducting Qubit States},
author = {Benjamin Lienhard and Antti Vepsäläinen and Luke C. G. Govia and Cole R. Hoffer and Jack Y. Qiu and Diego Ristè and Matthew Ware and David Kim and Roni Winik and Alexander Melville and Bethany Niedzielski and Jonilyn Yoder and Guilhem J. Ribeill and Thomas A. Ohki and Hari K. Krovi and Terry P. Orlando and Simon Gustavsson and William D. Oliver},
journal= {arXiv preprint arXiv:2102.12481},
year = {2021}
}
备注
18 Pages, 9 figures