基于机器学习的中性原子量子比特测量增强
量子物理
2024-08-19 v2 原子物理
摘要
我们展示了在中性原子量子处理器中由有监督卷积神经网络（CNN）辅助的量子比特态测量。我们提出了两种用于分析中性原子量子比特读出数据的 CNN 架构：一种紧凑的 5 层单量子比特 CNN 架构和一种 6 层多量子比特 CNN 架构。我们以这两种架构对照传统的高斯阈值分析方法进行基准测试。在具有可忽略串扰的稀疏阵列（原子间距 9 {\mu}m）中，我们观察到相比基准测试，多量子比特与单量子比特架构分别实现了高达 32% 和 56% 的误差降低。在紧密排布阵列（原子间距 5 {\mu}m）中，其读出存在串扰，我们观察到相比基准测试，多量子比特与单量子比特 CNN 架构分别实现了高达 43% 和 32% 的误差降低。通过考察相邻量子比特预测态之间的相关性，我们发现多量子比特 CNN 架构将串扰相关性降低了高达 78.5%。本工作展示了将 CNN 网络作为中性原子量子计算机上的实时读出处理方法的原理验证，从而实现更快的读出时间与更高的保真度。
引用
@article{arxiv.2311.12217,
title = {Enhanced Measurement of Neutral Atom Qubits with Machine Learning},
author = {L. Phuttitarn and B. M. Becker and R. Chinnarasu and T. M. Graham and M. Saffman},
journal= {arXiv preprint arXiv:2311.12217},
year = {2024}
}
备注
additional data added