利用硬件高效机器学习架构扩展量子比特读取
量子物理
2023-06-21 v2 硬件体系结构
摘要
读取量子比特是量子计算中的基本操作。它将量子信息转换为经典信息，从而能够进行后续分类以指派量子比特态‘0’或‘1’。遗憾的是，量子比特读取是超导量子处理器上最易出错且最慢的操作之一。在最先进的超导量子处理器上，读取错误率可达 1-10%。高读取精度对于实现近期含噪量子计算机和未来纠错量子计算机的高保真度至关重要。先前工作使用了机器学习辅助的单次量子比特态分类，其中利用深度神经网络通过补偿串扰误差来实现更稳健的判别。然而，神经网络规模会限制系统的可扩展性，尤其在需要快速硬件判别时。这一最先进基线设计无法在多数系统中用于超导量子比特控制与读取的现成 FPGA 上实现，由于判别须在软件中执行，这增加了整体读取延迟。本工作中，我们提出 HERQULES，一种可扩展方法，通过采用匹配滤波器层级结构并结合显著更小且可扩展的神经网络来改进量子比特态判别。我们以可轻松在现成 FPGA 上实现的可扩展设计，实现了比基线高得多的读取精度（相对提升 16.4%）。我们还表明 HERQULES 更具通用性，可在无额外训练开销的情况下支持比基线设计更短的读取时长。
引用
@article{arxiv.2212.03895,
title = {Scaling Qubit Readout with Hardware Efficient Machine Learning Architectures},
author = {Satvik Maurya and Chaithanya Naik Mude and William D. Oliver and Benjamin Lienhard and Swamit Tannu},
journal= {arXiv preprint arXiv:2212.03895},
year = {2023}
}