KLiNQ：面向FPGA上量子比特读取的知识蒸馏辅助轻量神经网络
量子物理
2025-09-22 v1 硬件体系结构
摘要
超导量子比特是构建量子信息处理器最有前景的候选者之一。然而，它们常常受限于缓慢且易出错的量子比特读取——这是实现高保真度操作的关键因素。虽然当前方法包括深度神经网络能够提升读取精度，但它们通常不支持量子纠错所必需的电路中间测量，而且通常依赖大型、资源密集型的网络模型。本文提出了KLiNQ，一种利用知识蒸馏优化的轻量神经网络的新型量子比特读取架构。我们的方法相比基线实现了约99%的模型规模缩减，同时保持了91%的量子比特态判别准确率。KLiNQ通过为每个量子比特分配一个专用紧凑神经网络，实现了快速的独立量子比特态读取，从而支持电路中间测量。该设计在Xilinx UltraScale+ FPGA上实现，可在32纳秒内完成判别。实验结果表明，压缩神经网络能够在实现高效硬件部署的同时保持高保真度独立读取，推动了实用量子计算的发展。
引用
@article{arxiv.2503.03544,
title = {KLiNQ: Knowledge Distillation-Assisted Lightweight Neural Network for Qubit Readout on FPGA},
author = {Xiaorang Guo and Tigran Bunarjyan and Dai Liu and Benjamin Lienhard and Martin Schulz},
journal= {arXiv preprint arXiv:2503.03544},
year = {2025}
}
备注
Accepted by the 62nd Design Automation Conference (DAC 2025)