基于匹配滤波器的中性原子量子比特高效测量
量子物理
2026-04-27 v1 机器学习
计算物理
摘要
量子计算机需要对大量量子比特进行高保真度测量才能实现量子优势。传统方法在密集排列的中性原子量子处理器中 suffers from readout crosstalk。尽管基于卷积神经网络的经典机器学习算法可以提高保真度，但计算开销大，难以扩展到大规模量子比特计数。我们提出了两种简单且可扩展的机器学习算法，实现了匹配滤波器用于读取问题。一种是局部模型，专注于单个量子比特；另一种利用阵列中相邻量子比特的信息，以防止量子比特之间的串扰。我们展示了相对于传统高斯阈值方法，分别实现了最高可达32%和43%的错误降低。此外，我们的阵列模型使用的可训练参数数量仅为最近一次卷积神经网络方法的两个数量级，同时乘法和非线性函数评估的数量仅为该方法的四个数量级，尽管在不同读取时间下错误率仅增加了约3.5%。我们方法的另一优势是其物理可解释性：所学滤波器可被可视化，以提供对实验缺陷的洞察。我们还展示了卷积神经网络模型可被修剪，以分别拥有70倍和4000倍更少的参数，同时保持类似的错误率。我们的工作表明，简单易懂的机器学习方法能够实现高保真度量子比特测量，同时可扩展到更大规模的量子比特系统。
引用
@article{arxiv.2504.08170,
title = {Efficient measurement of neutral-atom qubits with matched filters},
author = {Robert M. Kent and Linipun Phuttitarn and Chaithanya Naik Mude and Swamit Tannu and Mark Saffman and Gregory Lafyatis and Daniel J. Gauthier},
journal= {arXiv preprint arXiv:2504.08170},
year = {2026}
}