論文の概要: Enhancing Qubit Readout with Autoencoders

• arxiv url: http://arxiv.org/abs/2212.00080v2
• Date: Wed, 6 Sep 2023 12:20:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 19:57:31.635426
• Title: Enhancing Qubit Readout with Autoencoders
• Title（参考訳）: オートエンコーダによるQubit Readoutの強化
• Authors: Piero Luchi, Paolo E. Trevisanutto, Alessandro Roggero, Jonathan L. DuBois, Yaniv J. Rosen, Francesco Turro, Valentina Amitrano, Francesco Pederiva
• Abstract要約: 本研究では, オートエンコーダ方式で事前学習したニューラルネットワークに基づいて, 超伝導量子ビットの読み出し分類手法を提案する。 本手法は,特に短時間・長時間の計測において,分類性能を向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 36.136619420474766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In addition to the need for stable and precisely controllable qubits, quantum computers take advantage of good readout schemes. Superconducting qubit states can be inferred from the readout signal transmitted through a dispersively coupled resonator. This work proposes a novel readout classification method for superconducting qubits based on a neural network pre-trained with an autoencoder approach. A neural network is pre-trained with qubit readout signals as autoencoders in order to extract relevant features from the data set. Afterwards, the pre-trained network inner layer values are used to perform a classification of the inputs in a supervised manner. We demonstrate that this method can enhance classification performance, particularly for short and long time measurements where more traditional methods present lower performance.
• Abstract（参考訳）: 安定かつ正確に制御可能な量子ビットの必要性に加えて、量子コンピュータは優れた読み出し方式を利用する。 超伝導量子状態は分散結合共振器を介して伝送される読み出し信号から推定できる。 本研究では, オートエンコーダ方式で事前学習したニューラルネットワークに基づいて, 超伝導量子ビットの読み出し分類手法を提案する。 データセットから関連する特徴を抽出するために、量子ビット読み出し信号をオートエンコーダとして事前学習する。 その後、事前訓練されたネットワーク内層値を用いて、教師付き方式で入力の分類を行う。 本手法は, 従来手法よりも低い性能を示す短時間および長時間の計測において, 分類性能を向上できることを実証する。

関連論文リスト

• Neural network based time-resolved state tomography of superconducting qubits [9.775471166288503]
  個々の量子ビットに対して全状態トモグラフィーが可能な時間分解ニューラルネットワークを提案する。 このスケーラブルなアプローチは、キュービット当たりの専用モジュールで、低信号対雑音比で桁違いに読み出し誤差を緩和する。
  論文  参考訳（メタデータ） (2023-12-13T08:09:12Z)
• Sensitivity-Based Layer Insertion for Residual and Feedforward Neural Networks [0.3831327965422187]
  ニューラルネットワークのトレーニングには、面倒でしばしば手動でネットワークアーキテクチャをチューニングする必要がある。 トレーニングプロセス中に新しいレイヤを挿入する体系的手法を提案する。
  論文  参考訳（メタデータ） (2023-11-27T16:44:13Z)
• Machine Learning based Discrimination for Excited State Promoted Readout [0.0]
  励起状態促進(ESP)リードアウト(英語版)と呼ばれる手法が提案され、この効果が低減された。 本研究では、5量子IBMQデバイスからの読み出しデータを用いて、ディープニューラルネットワークの有効性を測定する。
  論文  参考訳（メタデータ） (2022-10-16T16:09:46Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Robust and fast post-processing of single-shot spin qubit detection events with a neural network [0.0]
  我々は、単発スピン検出イベントの集合を分類するためにニューラルネットワークを訓練する。 その結果,Rabi-oscillationの可視性は7%向上した。
  論文  参考訳（メタデータ） (2020-12-08T19:13:09Z)
• Training Binary Neural Networks through Learning with Noisy Supervision [76.26677550127656]
  本稿では,ニューラルネットワーク上の二項化操作を学習の観点から定式化する。 ベンチマークデータセットの実験結果から,提案手法がベースラインよりも一貫した改善を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-10-10T01:59:39Z)
• Cross-Thought for Sentence Encoder Pre-training [89.32270059777025]
  Cross-Thoughtは、事前トレーニングシーケンスエンコーダに対する新しいアプローチである。 我々は、Transformerベースのシーケンスエンコーダを、多数の短いシーケンスに対してトレーニングする。 質問応答とテキストのエンコーダタスクの実験は、事前学習したエンコーダが最先端のエンコーダより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-07T21:02:41Z)
• Improved readout of qubit-coupled Gottesman-Kitaev-Preskill states [0.0]
  量子ビット結合システム用に設計された別の読み出し戦略を提案する。 本手法は,このようなシステムにおいて,数桁の精度で読み出し精度を向上させることができる。
  論文  参考訳（メタデータ） (2020-08-24T16:08:38Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。