机构名称：
¥ 1.0
建立低误差和快速的量子比特读出检测方法对于有效的量子误差校正至关重要。在这里，我们测试神经网络以对一组单次自旋检测事件进行分类，这些事件是我们的量子比特测量的读出信号。此读出信号包含一个随机峰值，对于该峰值，包括高斯噪声的贝叶斯推理滤波器在理论上是最佳的。因此，我们将通过各种策略训练的神经网络与后一种算法进行了基准测试。使用 10 6 个实验记录的单次读出轨迹训练网络不会提高后处理性能。与贝叶斯推理滤波器相比，由合成生成的测量轨迹训练的网络在检测误差和后处理速度方面表现相似。事实证明，这种神经网络对信号偏移、长度和延迟以及信噪比的波动更具鲁棒性。值得注意的是，当我们使用由合成读出轨迹结合我们设置的测量信号噪声训练的网络时，我们发现 Rabi 振荡的可见性增加了 7%。因此，我们的贡献代表了神经网络的软件和硬件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的一个例子。
单次自旋量子比特的稳健且快速的后处理......
主要关键词
相关文件推荐
