論文の概要: Enhanced Measurement of Neutral Atom Qubits with Machine Learning

• arxiv url: http://arxiv.org/abs/2311.12217v2
• Date: Wed, 1 May 2024 20:05:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 22:10:30.429706
• Title: Enhanced Measurement of Neutral Atom Qubits with Machine Learning
• Title（参考訳）: 機械学習による中性原子量測定の高度化
• Authors: L. Phuttitarn, B. M. Becker, R. Chinnarasu, T. M. Graham, M. Saffman,
• Abstract要約: 我々は、中性原子量子プロセッサにおいて、教師付き畳み込みニューラルネットワーク(CNN)によって補助される量子ビット状態の測定を実証する。 隣接量子ビットの予測状態間の相関を調べた結果,マルチキュービットCNNアーキテクチャはクロストーク相関を78.5%まで低減することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We demonstrate qubit state measurements assisted by a supervised convolutional neural network (CNN) in a neutral atom quantum processor. We present two CNN architectures for analyzing neutral atom qubit readout data: a compact 5-layer single-qubit CNN architecture and a 6-layer multi-qubit CNN architecture. We benchmark both architectures against a conventional Gaussian threshold analysis method. In a sparse array (9 {\mu}m atom separation) which experiences negligible crosstalk, we observed up to 32% and 56% error reduction for the multi-qubit and single-qubit architectures respectively, as compared to the benchmark. In a tightly spaced array (5 {\mu}m atom separation), which suffers from readout crosstalk, we observed up to 43% and 32% error reduction in the multi-qubit and single-qubit CNN architectures respectively, as compared to the benchmark. By examining the correlation between the predicted states of neighboring qubits, we found that the multi-qubit CNN architecture reduces the crosstalk correlation up to 78.5%. This work demonstrates a proof of concept for a CNN network to be implemented as a real-time readout processing method on a neutral atom quantum computer, enabling faster readout time and improved fidelity.
• Abstract（参考訳）: 我々は、中性原子量子プロセッサにおいて、教師付き畳み込みニューラルネットワーク(CNN)によって補助される量子ビット状態の測定を実証する。 我々は中性原子量子ビットの読み出しデータを解析するための2つのCNNアーキテクチャ:コンパクトな5層シングルキュービットCNNアーキテクチャと6層マルチキュービットCNNアーキテクチャを提案する。 両アーキテクチャを従来のガウスしきい値解析法と比較した。 無視可能なクロストークを経験するスパースアレイ (9 {\mu}m 原子分離) では, ベンチマークと比較すると, マルチキュービットアーキテクチャとシングルキュービットアーキテクチャの誤差を最大32%, 56%低減した。 読み出しクロストークに苦しむ密閉配列 (5 {\mu}m 原子分離) において, マルチキュービットCNNアーキテクチャとシングルキュービットCNNアーキテクチャでは, それぞれ43%, 32%の誤差低減が確認された。 隣接量子ビットの予測状態間の相関を調べた結果,マルチキュービットCNNアーキテクチャはクロストーク相関を78.5%まで低減することがわかった。 この研究は、中性原子量子コンピュータ上でリアルタイムの読み出し処理として実装されるCNNネットワークの概念実証を行い、より高速な読み出し時間と忠実さの向上を可能にした。

関連論文リスト

• ApproxDARTS: Differentiable Neural Architecture Search with Approximate Multipliers [0.24578723416255746]
  本稿では、DARTSと呼ばれる一般的な微分可能なニューラルアーキテクチャ探索手法を応用し、近似乗算器を活用可能なニューラルアーキテクチャ探索(NAS)手法であるApproxDARTSを提案する。 ApproxDARTSは10ドル未満のGPU時間で完全なアーキテクチャ検索を実行でき、畳み込み層に近似乗算器を含む競合畳み込みニューラルネットワーク(CNN)を生成する。
  論文  参考訳（メタデータ） (2024-04-08T09:54:57Z)
• OA-CNNs: Omni-Adaptive Sparse CNNs for 3D Semantic Segmentation [70.17681136234202]
  設計上の違いを再検討し、スパースCNNが達成できることの限界をテストする。 本稿では,このギャップを埋めるために,適応受容場(親和性)と適応関係という2つの重要な要素を提案する。 この調査により、軽量モジュールを統合するネットワークのファミリーであるOmni-Adaptive 3D CNN(OA-CNN)が開発された。
  論文  参考訳（メタデータ） (2024-03-21T14:06:38Z)
• Efficient and Equivariant Graph Networks for Predicting Quantum Hamiltonian [72.57870177599492]
  本稿では,効率と等価性を実現するSE(3)-equivariant Network,QHNetを提案する。 我々の重要な進歩はQHNetアーキテクチャの革新的な設計であり、基礎となる対称性に従うだけでなく、テンソル製品の数を92%削減できる。 実験結果から,我々のQHNetは最先端の手法に匹敵する性能を極めて高速に達成できることが示された。
  論文  参考訳（メタデータ） (2023-06-08T03:47:33Z)
• RedBit: An End-to-End Flexible Framework for Evaluating the Accuracy of Quantized CNNs [9.807687918954763]
  畳み込みニューラルネットワーク(CNN)は、画像処理、分類、セグメンテーションタスクのためのディープニューラルネットワークの標準クラスとなっている。 RedBitは、透過的で使いやすいインターフェースを提供するオープンソースのフレームワークで、異なるアルゴリズムの有効性をネットワークの精度で評価する。
  論文  参考訳（メタデータ） (2023-01-15T21:27:35Z)
• Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
  本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。 エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T18:10:01Z)
• Compact representations of convolutional neural networks via weight pruning and quantization [63.417651529192014]
  本稿では、音源符号化に基づく畳み込みニューラルネットワーク(CNN)の新しいストレージフォーマットを提案し、重み付けと量子化の両方を活用する。 我々は、全接続層で0.6%、ネットワーク全体で5.44%のスペース占有率を削減し、最低でもベースラインと同じくらいの競争力を発揮する。
  論文  参考訳（メタデータ） (2021-08-28T20:39:54Z)
• Container: Context Aggregation Network [83.12004501984043]
  最近の発見は、従来の畳み込みやトランスフォーマーコンポーネントを使わずに、シンプルなベースのソリューションが効果的な視覚表現を生成できることを示している。 マルチヘッドコンテキストアグリゲーションのための汎用ビルディングブロックCONText Ion NERtwokを提案する。 より大規模な入力画像解像度に依存する下流タスクにはスケールしないTransformerベースの手法とは対照的に、当社の効率的なネットワークであるModellightは、オブジェクト検出やインスタンスセグメンテーションネットワークに利用することができる。
  論文  参考訳（メタデータ） (2021-06-02T18:09:11Z)
• Fixed-point Quantization of Convolutional Neural Networks for Quantized Inference on Embedded Platforms [0.9954382983583577]
  本稿では,事前学習したCNNの各レイヤの重み,バイアス,アクティベーションを最適に定量化する手法を提案する。 このプロセスでは、パラメータの層単位での量子化が大いに役立ちます。
  論文  参考訳（メタデータ） (2021-02-03T17:05:55Z)
• MGIC: Multigrid-in-Channels Neural Network Architectures [8.459177309094688]
  本稿では,標準畳み込みニューラルネットワーク(CNN)におけるチャネル数に関して,パラメータ数の2次成長に対処するマルチグリッド・イン・チャネル手法を提案する。 近年の軽量CNNの成功にともなうCNNの冗長性に対処する。
  論文  参考訳（メタデータ） (2020-11-17T11:29:10Z)
• ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
  我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。 我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
  論文  参考訳（メタデータ） (2020-09-04T20:41:47Z)

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。