基于深度进化算法从莫尔增强交换谱学学习非马尔可夫量子噪声
量子物理
2019-12-11 v1 机器学习
摘要
非晶电介质中的二能级系统（TLS）缺陷是固态量子比特中噪声与退相干的主要来源。由 TLS-量子比特耦合引起的门依赖非马尔可夫误差对容错量子计算有害，且在现有文献中尚未被严格处理。在本工作中，我们推导了在类 SWAP 双量子比特门期间 TLS 与量子比特之间的非马尔可夫动力学，以及频率可调 Transmon 量子比特的关联平均门保真度。该门依赖误差模型有助于将量子比特用作传感器，以同时学习量子比特环境与控制波形中的实际缺陷。我们将最先进的机器学习算法与莫尔增强交换谱学相结合，利用含噪实验数据实现鲁棒学习。深度神经网络用于表示从实验数据到 TLS 参数的函数映射，并通过进化算法进行训练。我们的方法实现了迄今为止最高的学习效率和针对实验缺陷的鲁棒性，代表了朝基于环境与控制缺陷的原位量子控制优化迈出的重要一步。
引用
@article{arxiv.1912.04368,
title = {Learning Non-Markovian Quantum Noise from Moir\'{e}-Enhanced Swap Spectroscopy with Deep Evolutionary Algorithm},
author = {Murphy Yuezhen Niu and Vadim Smelyanskyi and Paul Klimov and Sergio Boixo and Rami Barends and Julian Kelly and Yu Chen and Kunal Arya and Brian Burkett and Dave Bacon and Zijun Chen and Ben Chiaro and Roberto Collins and Andrew Dunsworth and Brooks Foxen and Austin Fowler and Craig Gidney and Marissa Giustina and Rob Graff and Trent Huang and Evan Jeffrey and David Landhuis and Erik Lucero and Anthony Megrant and Josh Mutus and Xiao Mi and Ofer Naaman and Matthew Neeley and Charles Neill and Chris Quintana and Pedram Roushan and John M. Martinis and Hartmut Neven},
journal= {arXiv preprint arXiv:1912.04368},
year = {2019}
}