論文の概要: Scaling Qubit Readout with Hardware Efficient Machine Learning Architectures

• arxiv url: http://arxiv.org/abs/2212.03895v2
• Date: Sat, 17 Jun 2023 05:18:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 04:49:10.732815
• Title: Scaling Qubit Readout with Hardware Efficient Machine Learning Architectures
• Title（参考訳）: ハードウェア効率のよい機械学習アーキテクチャによるqubit readoutのスケーリング
• Authors: Satvik Maurya, Chaithanya Naik Mude, William D. Oliver, Benjamin Lienhard, Swamit Tannu
• Abstract要約: 本稿では,量子状態識別のための拡張性のあるニューラルネットワークとともに,マッチングフィルタの階層構造を用いて,量子状態の識別を改善するスケーラブルなアプローチを提案する。 我々は,既製のFPGA上で容易に実装可能なスケーラブルな設計により,ベースラインよりもはるかに高い読み出し精度(16.4%の相対的な改善)を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reading a qubit is a fundamental operation in quantum computing. It translates quantum information into classical information enabling subsequent classification to assign the qubit states `0' or `1'. Unfortunately, qubit readout is one of the most error-prone and slowest operations on a superconducting quantum processor. On state-of-the-art superconducting quantum processors, readout errors can range from 1-10%. High readout accuracy is essential for enabling high fidelity for near-term noisy quantum computers and error-corrected quantum computers of the future. Prior works have used machine-learning-assisted single-shot qubit-state classification, where a deep neural network was used for more robust discrimination by compensating for crosstalk errors. However, the neural network size can limit the scalability of systems, especially if fast hardware discrimination is required. This state-of-the-art baseline design cannot be implemented on off-the-shelf FPGAs used for the control and readout of superconducting qubits in most systems, which increases the overall readout latency as discrimination has to be performed in software. In this work, we propose HERQULES, a scalable approach to improve qubit-state discrimination by using a hierarchy of matched filters in conjunction with a significantly smaller and scalable neural network for qubit-state discrimination. We achieve substantially higher readout accuracies (16.4% relative improvement) than the baseline with a scalable design that can be readily implemented on off-the-shelf FPGAs. We also show that HERQULES is more versatile and can support shorter readout durations than the baseline design without additional training overheads.
• Abstract（参考訳）: 量子ビットを読むことは量子コンピューティングの基本的な操作である。 量子情報を古典情報に変換し、その後の分類により、クォービット状態 `0' または `1' を割り当てる。 残念ながら、qubit readoutは超伝導量子プロセッサ上で最もエラーが発生しやすい、最も遅い操作の1つです。 最先端の超伝導量子プロセッサでは、読み出し誤差は1～10%である。 高読み出し精度は、近未来の雑音量子コンピュータと誤り訂正量子コンピュータの高忠実性を実現するために不可欠である。 以前の研究では、機械学習によるシングルショット量子ビット状態分類を使用しており、ディープニューラルネットワークはクロストークエラーの補償によって、より堅牢な識別に使用された。 しかし、特に高速なハードウェア識別が必要な場合、ニューラルネットワークサイズはシステムのスケーラビリティを制限することができる。 この最先端のベースライン設計は、ほとんどのシステムで超伝導量子ビットの制御と読み出しに使用される既製のfpgaでは実装できないため、ソフトウェアで識別を行う必要があるため、全体の読み出し遅延が増加する。 本研究では,マッチングフィルタの階層構造を,より小さくスケーラブルなニューラルネットワークと組み合わせることで,量子状態識別を改善するためのスケーラブルな手法であるherqulesを提案する。 我々は,既製のFPGA上で容易に実装可能なスケーラブルな設計により,ベースラインよりもはるかに高い読み出し精度(16.4%の改善)を実現している。 また、HERQULESはより汎用性が高く、トレーニングのオーバーヘッドを伴わずにベースライン設計よりも短い読み出し時間をサポートできることを示す。

関連論文リスト

• Low-latency machine learning FPGA accelerator for multi-qubit-state discrimination [1.6773398825542363]
  量子ビット状態を測定することは、量子コンピューティングにおいて基本的ながエラーを起こしやすい操作である。 ここでは、ニューラルネットワークをフィールドプログラマブルゲートアレイ(FPGA)上に展開するための統合的なアプローチを用いる。 マルチキュービット読み出しに完全接続型ニューラルネットワークアクセラレータを実装するのが有利であることを示す。
  論文  参考訳（メタデータ） (2024-07-04T11:34:43Z)
• ML-Powered FPGA-based Real-Time Quantum State Discrimination Enabling Mid-circuit Measurements [7.469519605046083]
  本稿では,実時間状態識別のためのフィールドプログラマブルゲートアレイ(FPGA)システムQubiCMLを紹介する。 FPGA上に多層ニューラルネットワークを設計、展開し、状態の正確な識別を保証している。 超伝導量子プロセッサにおけるQubiCMLの性能を評価し、平均精度は98.5%、読み出し速度は500 nsであった。
  論文  参考訳（メタデータ） (2024-06-27T00:45:37Z)
• Fast Flux-Activated Leakage Reduction for Superconducting Quantum Circuits [84.60542868688235]
  量子ビット実装のマルチレベル構造から生じる計算部分空間から漏れること。 パラメトリックフラックス変調を用いた超伝導量子ビットの資源効率向上のためのユニバーサルリーク低減ユニットを提案する。 繰り返し重み付け安定化器測定におけるリーク低減ユニットの使用により,検出されたエラーの総数を,スケーラブルな方法で削減できることを実証した。
  論文  参考訳（メタデータ） (2023-09-13T16:21:32Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• Quantum computation on a 19-qubit wide 2d nearest neighbour qubit array [59.24209911146749]
  本稿では,1次元に制約された量子ビット格子の幅と物理閾値の関係について検討する。 我々は、表面コードを用いた最小レベルのエンコーディングでエラーバイアスを設計する。 このバイアスを格子サージャリングサーフェスコードバスを用いて高レベルなエンコーディングで処理する。
  論文  参考訳（メタデータ） (2022-12-03T06:16:07Z)
• 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)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Quantized Neural Networks via {-1, +1} Encoding Decomposition and Acceleration [83.84684675841167]
  本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。 本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:11:15Z)
• Hardware-Efficient, Fault-Tolerant Quantum Computation with Rydberg Atoms [55.41644538483948]
  我々は中性原子量子コンピュータにおいてエラー源の完全な特徴付けを行う。 計算部分空間外の状態への原子量子ビットの崩壊に伴う最も重要なエラーに対処する,新しい,明らかに効率的な手法を開発した。 我々のプロトコルは、アルカリ原子とアルカリ原子の両方にエンコードされた量子ビットを持つ最先端の中性原子プラットフォームを用いて、近い将来に実装できる。
  論文  参考訳（メタデータ） (2021-05-27T23:29:53Z)
• Deep Neural Network Discrimination of Multiplexed Superconducting Qubit States [39.26291658500249]
  ニューラルネットワークを状態判別器として用いたマルチキュービット読み出しを提案する。 完全に接続されたフィードニューラルネットワークは、我々のシステムにおける量子状態割り当ての忠実度を増大させる。
  論文  参考訳（メタデータ） (2021-02-24T19:00:00Z)
• Scalable Neural Decoder for Topological Surface Codes [0.0]
  本稿では,雑音およびシンドローム測定誤差を考慮に入れた安定化符号群に対するニューラルネットワークに基づくデコーダを提案する。 重要なイノベーションは、エラーシンドロームを小さなスケールで自動デコードすることである。 このような前処理によって,実用アプリケーションにおいて最大2桁の誤差率を効果的に削減できることを示す。
  論文  参考訳（メタデータ） (2021-01-18T19:02:09Z)

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。