基于神经网络的单发自旋量子比特探测事件鲁棒快速后处理
量子物理
2021-08-24 v2
摘要
建立低错误率且快速的量子比特读出方法对高效量子纠错至关重要。此处，我们测试用神经网络对一批单发自旋探测事件进行分类，这些事件是我们量子比特测量的读出信号。该读出信号含随机峰值，对此理论上最优的是包含高斯噪声的贝叶斯推断滤波器。因而，我们将以多种策略训练的神经网络与该算法进行基准比较。用 10 实验记录的单发读出轨迹训练网络并未改善后处理性能。用合成生成的测量轨迹训练的网络在探测错误率与后处理速度上表现与贝叶斯推断滤波器相近。该神经网络对信号偏移、长度与延迟以及信噪比的涨落更为鲁棒。值得注意的是，当我们采用由合成读出轨迹结合本装置实测信号噪声训练的网络时，拉比振荡可见度提升了 7%。因此，我们的工作展示了神经网络软硬体实现在可扩展自旋量子比特处理器架构中可能发挥的有益作用。
引用
@article{arxiv.2012.04686,
title = {Robust and fast post-processing of single-shot spin qubit detection events with a neural network},
author = {Tom Struck and Javed Lindner and Arne Hollmann and Floyd Schauer and Andreas Schmidbauer and Dominique Bougeard and Lars R. Schreiber},
journal= {arXiv preprint arXiv:2012.04686},
year = {2021}
}