利用神经网络监测超导量子比特的快速动力学
量子物理
2022-04-25 v2
摘要
对超导量子比特的弱测量产生与量子比特态弱相关的含噪电压信号。为从这些含噪信号中恢复单个量子轨迹，传统方法需要缓慢的量子比特动力学以及以校准实验形式提供的大量先验信息。监测快速的量子比特动力学（例如量子门期间）需要更复杂的方法以及对先验信息更多的需求。在此，我们实验演示了一种替代方法，使用长短期记忆（LSTM）人工神经网络并以最少的先验信息精确追踪被快速驱动的超导量子比特轨迹。尽管训练假设很少，LSTM 产生的轨迹包含了由于有限探测带宽引起的量子比特-读出谐振腔关联。除了揭示在固定驱动下与理论相符的旋转测量本征态和降低的测量速率外，训练好的 LSTM 还能正确重构具有快速调制的未知驱动下的演化。我们的工作实现了对更快或初始未知量子比特动力学的弱测量的新应用，例如量子门中相干错误的诊断。
引用
@article{arxiv.2108.12023,
title = {Monitoring fast superconducting qubit dynamics using a neural network},
author = {G. Koolstra and N. Stevenson and S. Barzili and L. Burns and K. Siva and S. Greenfield and W. Livingston and A. Hashim and R. K. Naik and J. M. Kreikebaum and K. P. O'Brien and D. I. Santiago and J. Dressel and I. Siddiqi},
journal= {arXiv preprint arXiv:2108.12023},
year = {2022}
}
备注
19 pages, 13 figures