用于退相位 qubit 动力学预测估计的机器学习
量子物理
2018-07-04 v1
摘要
退相干仍是量子计算硬件中的主要挑战,而各种物理层控制通过反馈和前馈控制为减轻此现象的影响提供了机会。在这项工作中,我们比较了源自不同领域的多种机器学习算法,用于受经典非Markovian退相位影响的单 qubit 的状态估计(回溯)和未来 qubit 状态演化的前向预测任务。我们的方法涉及仅利用投影测量的历史记录,通过自回归或Fourier型协议构建捕捉 qubit 动力学的动力学模型。详细比较了Kalman滤波器(KF)和高斯过程回归(GPR)算法可实现的预测时域、模型鲁棒性和测量噪声滤波能力。我们展示了自回归KF相对于基于Fourier的KF方法的优越性能,并聚焦于滤波器优化在实现适当性能中的作用。最后,我们考察了使用不同核的几种GPR实现,发现这些方法通常不适合前向预测。我们强调了该应用中的潜在失效机制,并指出了算法输出可能被误认为数值伪影的方式。
引用
@article{arxiv.1712.01291,
title = {Machine learning for predictive estimation of qubit dynamics subject to dephasing},
author = {Riddhi Swaroop Gupta and Michael J. Biercuk},
journal= {arXiv preprint arXiv:1712.01291},
year = {2018}
}
备注
33 pages (with Appendices), 9 figures