論文の概要: Accelerated characterization of two-level systems in superconducting qubits via machine learning

• arxiv url: http://arxiv.org/abs/2509.17723v1
• Date: Mon, 22 Sep 2025 12:55:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.390163
• Title: Accelerated characterization of two-level systems in superconducting qubits via machine learning
• Title（参考訳）: 機械学習による超伝導量子ビットの2レベル系の加速特性評価
• Authors: Avinash Pathapati, Olli Mansikkamäki, Alexander Tyner, Alexander V. Balatsky,
• Abstract要約: 本稿では,2レベルシステム(TLS)パラメーターを抽出するためのデータ駆動型アプローチを提案する。 カスタム畳み込みニューラルネットワークモデル(CNN)は、フォーム形式で提示された分光データから、$omega_TLS$, $g$, $T_TLS, 1$と$Tphi_TLS, 2$を同時に予測することができる。
• 参考スコア（独自算出の注目度）: 74.02542457579791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a data-driven approach for extracting two-level system (TLS) parameters-frequency $\omega_{TLS}$, coupling strength $g$, dissipation time $T_{TLS, 1}$, and the pure dephasing time $T^{\phi}_{TLS, 2}$, labelled as a 4-component vector $\vec{q}$, directly from simulated spectroscopy data generated for a single TLS by a form of two-tone spectroscopy. Specifically, we demonstrate that a custom convolutional neural network model(CNN) can simultaneously predict $\omega_{TLS}$, $g$, $T_{TLS, 1}$ and $T^{\phi}_{TLS, 2}$ from the spectroscopy data presented in the form of images. Our results show that the model achieves superior performance to perturbation theory methods in successfully extracting the TLS parameters. Although the model, initially trained on noise-free data, exhibits a decline in accuracy when evaluated on noisy images, retraining it on a noisy dataset leads to a substantial performance improvement, achieving results comparable to those obtained under noise-free conditions. Furthermore, the model exhibits higher predictive accuracy for parameters $\omega_{TLS}$ and $g$ in comparison to $T_{TLS, 1}$ and $T^{\phi}_{TLS, 2}$.
• Abstract（参考訳）: 2レベルシステム (TLS) パラメータ-周波数$\omega_{TLS}$, 結合強度$g$, 散布時間$T_{TLS, 1}$, 純粋な復調時間$T^{\phi}_{TLS, 2}$, 4成分ベクトル$\vec{q}$とラベル付けされたデータ駆動型アプローチを導入する。 具体的には、画像形式で提示された分光データから、カスタム畳み込みニューラルネットワークモデル(CNN)が$\omega_{TLS}$, $g$, $T_{TLS, 1}$, $T^{\phi}_{TLS, 2}$を同時に予測できることを実証する。 本研究では,TLSパラメータの抽出に成功し,摂動理論法よりも優れた性能が得られることを示す。 ノイズのないデータに基づいてトレーニングされたこのモデルは、ノイズの多い画像で評価すると精度が低下するが、ノイズの多いデータセットで再トレーニングすることで、ノイズのない条件下で得られたものと同等の結果が得られる。 さらに、パラメータ $\omega_{TLS}$ と $g$ は $T_{TLS, 1}$ と $T^{\phi}_{TLS, 2}$ に対して高い予測精度を示す。

関連論文リスト

• Exploring Microstructural Dynamics in Cryptocurrency Limit Order Books: Better Inputs Matter More Than Stacking Another Hidden Layer [9.2463347238923]
  ニューラルネットワークに余分な隠蔽層やパラメータを追加することで、短期的な価格予測が真に向上するかどうかを検討することを目的としている。 我々は,BTC/USDT LOBスナップショットを100ミリ秒から複数秒間隔で公開して,解釈可能なベースライン,ロジスティック回帰,XGBoostからディープアーキテクチャ(DeepLOB,Conv1D+LSTM)まで,モデルをベンチマークする。
  論文  参考訳（メタデータ） (2025-06-06T05:43:30Z)
• From Fake to Real: Pretraining on Balanced Synthetic Images to Prevent Spurious Correlations in Image Recognition [64.59093444558549]
  我々はFrom Fake to Realと呼ぶシンプルで簡単に実装できる2段階のトレーニングパイプラインを提案する。 実データと合成データを別々にトレーニングすることで、FFRは実データと合成データの統計的差異にモデルを公開しない。 実験の結果,FFRは3つのデータセットに対して,最先端のグループ精度を最大20%向上させることがわかった。
  論文  参考訳（メタデータ） (2023-08-08T19:52:28Z)
• LSTM and CNN application for core-collapse supernova search in gravitational wave real data [0.0]
  コア崩壊型超新星(CCSNe)は、銀河系や近隣の銀河の干渉計によって検出される重力波信号を放出することが期待されている。 実データを用いた各種CCSNeシミュレート信号と雑音過渡音のマルチラベル分類のための機械学習(ML)の可能性を示す。
  論文  参考訳（メタデータ） (2023-01-23T12:12:33Z)
• Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
  クエーサースペクトルを完全に記述できる新しいモデルを提案する。 また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。 CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
  論文  参考訳（メタデータ） (2022-11-17T13:01:26Z)
• Two-dimensional total absorption spectroscopy with conditional generative adversarial networks [0.22499166814992444]
  我々は、TAS検出器で$E_x$および$E_gamma$データを展開するために条件付き生成対向ネットワークを使用する。 シミュレーションテストケースの93%以上において, 検出器分解能限界内でのキャラクタリゼーション能力を示す。
  論文  参考訳（メタデータ） (2022-06-23T15:57:37Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Regularization Matters: A Nonparametric Perspective on Overparametrized Neural Network [20.132432350255087]
  タンジェント降下(GD)によってトレーニングされた過度にパラメータ化されたニューラルネットワークは、任意のトレーニングデータを確実に過度に適合させることができる。 本稿では、過度にパラメータ化されたニューラルネットワークが、ランダムノイズの存在下での真のターゲット関数をいかに回復するかを考察する。
  論文  参考訳（メタデータ） (2020-07-06T01:02:23Z)
• Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
  NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。 格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。 NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
  論文  参考訳（メタデータ） (2020-02-25T19:18:36Z)
• Gravitational-wave parameter estimation with autoregressive neural network flows [0.0]
  深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。 正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。 可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
  論文  参考訳（メタデータ） (2020-02-18T15:44:04Z)

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。