用于多态量子测量的实用可训练时间后处理器
量子物理
2024-07-30 v3
摘要
我们开发并演示了一种可训练的时间后处理器（TPP），其利用一种简单而通用的机器学习算法，针对任意数量的量子态的读出，在任意噪声过程下对量子测量数据提供最优处理。我们在量子比特态读出这一关键任务上演示了 TPP，该任务历史上依赖于通过匹配滤波器进行时间处理，尽管匹配滤波器仅适用于特定噪声条件。我们的结果表明，在复杂读出条件（如高功率读出）下，TPP 能可靠地优于标准滤波方法。利用量子测量噪声源的模拟，我们表明该优势依赖于 TPP 学习最优线性滤波器的能力，这些滤波器考虑了数据中一般的量子噪声关联，例如由量子跳跃或相位保持量子放大器引入的相关噪声所致。此外，我们推导了最优 TPP 权重的精确解析形式：这使得 TPP 成为匹配滤波的线性缩放推广，在最一般读出噪声条件下对任意数量的态有效，同时其训练复杂度与训练神经网络处理时间量子测量数据相比几乎可忽略。TPP 可在测量数据上自主可靠地训练，且仅需线性运算，这使其非常适用于 cQED 中的 FPGA 实现，以实时处理来自一般量子系统的测量数据。
引用
@article{arxiv.2310.18519,
title = {Practical Trainable Temporal Postprocessor for Multistate Quantum Measurement},
author = {Saeed A. Khan and Ryan Kaufman and Boris Mesits and Michael Hatridge and Hakan E. Türeci},
journal= {arXiv preprint arXiv:2310.18519},
year = {2024}
}
备注
15+24 pages, 6+9 figures, and 61 references; updated to published version