基于多阶段Mamba架构的快速可扩展超导量子比特读取

可靠的量子比特读取是迈向容错量子计算（FTQC）的关键瓶颈。在超导量子处理器中，读取操作既容易出错又具有高延迟。这些挑战在频分复用架构中变得更加严重，因为相邻量子比特之间的信号串扰会显著降低读取保真度。现有的基于机器学习（ML）的方法依赖于前馈神经网络（FNN），这些网络参数规模大，并且缺乏一个能够联合处理弛豫误差和判别量子比特状态的端到端网络。在这项工作中，我们提出了一种基于Mamba模型的多阶段量子比特状态判别器，该模型能够以线性复杂度实现高效的序列建模。第一阶段执行初始状态判别，随后是一个细化阶段，用于识别和减轻弛豫引起的误差。我们的轻量级模型实现了0.906的几何平均读取保真度，优于已报道的最佳现有方法，同时将参数规模减少了49.6%；我们的最优模型进一步达到了0.911。两个模型在变化的输入迹线长度下都保持鲁棒性，在短至500 $ns$的读取持续时间下仍保持0.893的高保真度，与先前在量子纠错（QEC）方面的工作相比，逻辑错误率最多降低了26%。