論文の概要: Automatic Characterization of Fluxonium Superconducting Qubits Parameters with Deep Transfer Learning
- arxiv url: http://arxiv.org/abs/2503.12099v1
- Date: Sat, 15 Mar 2025 11:51:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 12:28:44.663122
- Title: Automatic Characterization of Fluxonium Superconducting Qubits Parameters with Deep Transfer Learning
- Title（参考訳）: 深部伝達学習によるフラクソニウム超伝導量子ビットパラメータの自動評価
- Authors: Huan-Hsuan Kung, Chen-Yu Liu, Qian-Rui Lee, Chiang-Yuan Hu, Yu-Chi Chang, Ching-Yeh Chen, Daw-Wei Wang, Yen-Hsiang Lin,
- Abstract要約: 固体系では、個々の量子ビットのパラメータはシステム全体によって異なる。
最近の超伝導量子ビット、例えばフラキソニウムや0-π量子ビットは、より改良された忠実度演算を提供するが、より複雑な物理的およびスペクトル構造を示す。
本稿では,フラキソニウム量子ビットパラメータの自動的かつ高精度な評価のための機械学習(ML)手法を提案する。
- 参考スコア（独自算出の注目度）: 0.5932428354861273
- License:
- Abstract: Accurate determination of qubit parameters is critical for the successful implementation of quantum information and computation applications. In solid state systems, the parameters of individual qubits vary across the entire system, requiring time consuming measurements and manual fitting processes for characterization. Recent developed superconducting qubits, such as fluxonium or 0-pi qubits, offer improved fidelity operations but exhibit a more complex physical and spectral structure, complicating parameter extraction. In this work, we propose a machine learning (ML)based methodology for the automatic and accurate characterization of fluxonium qubit parameters. Our approach utilized the energy spectrum calculated by a model Hamiltonian with various magnetic fields, as training data for the ML model. The output consists of the essential fluxonium qubit energy parameters, EJ, EC, and EL in Hamiltonian. The ML model achieves remarkable accuracy (with an average accuracy 95.6%) as an initial guess, enabling the development of an automatic fitting procedure for direct application to realistic experimental data. Moreover, we demonstrate that similar accuracy can be retrieved even when the input experimental spectrum is noisy or incomplete, highlighting the model robustness. These results suggest that our automated characterization method, based on a transfer learning approach, provides a reliable framework for future extensions to other superconducting qubits or different solid-state systems. Ultimately, we believe this methodology paves the way for the construction of large-scale quantum processors.
- Abstract（参考訳）: 量子ビットパラメータの正確な決定は、量子情報および計算アプリケーションの実装の成功に不可欠である。
固体系では、個々の量子ビットのパラメータはシステム全体によって異なり、測定に時間を要する。
最近の超伝導量子ビット、例えばフラキソニウムや0-π量子ビットは、より改良された忠実度演算を提供するが、パラメータ抽出を複雑にするより複雑な物理的およびスペクトル構造を示す。
本研究では,フラキソニウム量子ビットパラメータの自動的かつ高精度な評価のための機械学習(ML)手法を提案する。
本手法は,MLモデルのトレーニングデータとして,様々な磁場を持つモデルハミルトンにより計算されたエネルギースペクトルを利用した。
出力はハミルトンの必須フラクソニウム量子ビットエネルギーパラメータ、EJ、EC、ELから構成される。
MLモデルは、最初の推測として顕著な精度(平均精度95.6%)を達成し、現実的な実験データに直接適用するための自動フィッティング手順の開発を可能にした。
さらに,入力された実験スペクトルが雑音や不完全である場合でも,同様の精度が得られ,モデルのロバスト性を強調した。
これらの結果から,移動学習に基づく自動キャラクタリゼーション手法は,他の超伝導量子ビットや異なる固体系への将来の拡張のための信頼性の高いフレームワークを提供する可能性が示唆された。
最終的に、我々はこの手法が大規模量子プロセッサの構築の道を開くと信じている。
関連論文リスト
- Optimizing Hyperparameters for Quantum Data Re-Uploaders in Calorimetric Particle Identification [11.099632666738177]
本稿では,1量子ビットデータ再アップロード(QRU)量子モデルの粒子分類への応用について述べる。
このモデルは、強力な分類性能を提供しながら、最小の量子ビットを必要とする。
論文 参考訳（メタデータ） (2024-12-16T23:10:00Z) - Machine learning Hubbard parameters with equivariant neural networks [0.0]
等変ニューラルネットワークに基づく機械学習モデルを提案する。
ここでは,繰り返し線形応答計算を用いて自己整合的に計算したハバードパラメータの予測を行う。
本モデルでは,Hubbard $U$および$V$パラメータの平均絶対相対誤差を平均3%,5%とする。
論文 参考訳（メタデータ） (2024-06-04T16:21:24Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳（メタデータ） (2023-07-21T14:25:06Z) - Support Vector Machine for Determining Euler Angles in an Inertial
Navigation System [55.41644538483948]
本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。
提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
論文 参考訳（メタデータ） (2022-12-07T10:01:11Z) - Efficient motional-mode characterization for high-fidelity trapped-ion
quantum computing [5.930991818928443]
モードが探索されたときのラム・ディッケパラメータの大きさと符号を正確に予測する物理モデルを開発し,検討する。
我々は、スケーラブルなトラップイオン量子コンピュータの開発に、我々の結果の潜在的影響について論じる。
論文 参考訳（メタデータ） (2022-06-09T01:29:28Z) - Direct parameter estimations from machine-learning enhanced quantum
state tomography [3.459382629188014]
機械学習による量子状態トモグラフィ(QST)は、量子状態に関する完全な情報を抽出する際の利点を実証している。
我々は,目標パラメータを直接生成することにより,高性能で軽量で容易に教師付き特性モデルを構築する。
このような特性モデルに基づく ML-QST は、ヒルベルト空間を扱う問題を回避することができるが、高い精度で特徴抽出を維持することができる。
論文 参考訳（メタデータ） (2022-03-30T15:16:02Z) - Dynamical learning of a photonics quantum-state engineering process [48.7576911714538]
実験的な高次元量子状態の工学は、いくつかの量子情報プロトコルにとって重要な課題である。
我々は、フォトニック軌道Angular Momentum(OAM)ステートを設計するための自動適応最適化プロトコルを実装した。
このアプローチは、量子情報プロトコルや技術のためのノイズの多い実験タスクを自動最適化するための強力なツールである。
論文 参考訳（メタデータ） (2022-01-14T19:24:31Z) - Experimental Bayesian calibration of trapped ion entangling operations [48.43720700248091]
我々は,広く使用されているMolmer-Sorensenエンタングゲート操作の実験パラメータを自動的に推定し,調整する効率的なキャリブレーションプロトコルを開発し,特徴付ける。
実験では, ゲートキャリブレーションを1分以内で完了する間, 実験サイクルは1200pm500$で, ゲートキャリブレーションの中央値が1.3(1)cdot10-3$であることを示す。
論文 参考訳（メタデータ） (2021-12-02T16:59:00Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z)
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。