論文の概要: Multi-Stage Mamba-Based Architecture for Fast and Scalable Superconducting Qubit Readout

• arxiv url: http://arxiv.org/abs/2607.11668v1
• Date: Mon, 13 Jul 2026 15:12:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.524151
• Title: Multi-Stage Mamba-Based Architecture for Fast and Scalable Superconducting Qubit Readout
• Title（参考訳）: 高速かつスケーラブルな超電導量子ビット読み出しのためのマルチステージマンバアーキテクチャ
• Abstract要約: 超伝導量子プロセッサでは、リードアウト演算はエラーを起こしやすく、高レイテンシである。 Mambaモデルに基づく多段量子状態判別器を提案する。 本モデルでは, 平均読み出し精度が0.906であり, 最良報告の最先端手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 2.7180447022087932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable qubit readout is a critical bottleneck toward fault-tolerant quantum computing (FTQC). In superconducting quantum processors, readout operations are both error-prone and high-latency. These challenges become more severe in frequency-multiplexed architectures, where signal crosstalk among neighboring qubits significantly degrades readout fidelity. Existing machine learning (ML)-based approaches rely on feed-forward neural networks (FNNs) that suffer from large parameter sizes and lack an end-to-end network that jointly addresses relaxation errors and discriminates qubit states. In this work, we present a multi-stage qubit state discriminator based on the Mamba model, which enables efficient sequence modeling with linear complexity. The first stage performs initial state discrimination, followed by a refinement stage that identifies and mitigates relaxation-induced errors. Our lightweight model achieves a geometric mean readout fidelity of 0.906, outperforming the best-reported state-of-the-art method while reducing parameter size by 49.6%; our optimal model further reaches 0.911. Both models remain robust across varying input trace lengths, maintaining a high fidelity of 0.893 at readout durations as short as 500 $ns$, achieving up to a 26% reduction in logical error rate over prior work in quantum error correction (QEC).
• Abstract（参考訳）: 信頼性のある量子ビット読み出しは、フォールトトレラント量子コンピューティング(FTQC)にとって重要なボトルネックである。 超伝導量子プロセッサでは、リードアウト演算はエラーを起こしやすく、高レイテンシである。 これらの課題は、近隣の量子ビット間の信号クロストークが読み出し精度を著しく低下させる周波数多重アーキテクチャにおいてより深刻になる。 既存の機械学習(ML)ベースのアプローチは、大きなパラメータサイズに苦しむフィードフォワードニューラルネットワーク(FNN)に依存しており、緩和エラーに共同で対処し、キュービット状態を識別するエンドツーエンドのネットワークが欠如している。 本研究では,Mambaモデルに基づく多段階量子状態判別器を提案する。 第1段階は初期状態判別を行い、その後に緩和誘発エラーを特定し緩和する改良段階が続く。 我々の軽量モデルでは,パラメータサイズを49.6%削減しつつ,最良報告の最先端手法よりも0.906の幾何平均読み出し精度を実現し,さらに0.911に達する。 どちらのモデルも様々な入力トレース長にわたって頑健であり、読み出し期間は500$ns$で0.893の高忠実さを維持し、量子エラー補正(QEC)における以前の作業よりも論理誤差率を最大26%削減した。

関連論文リスト

• Physics-Informed Learning of Effective Error Processes from Limited Noisy Transmon Measurements for Robust QAOA Reliability [0.0]
  有限ショット計測から有効な量子誤り過程を学習するための物理インフォームドパイプラインを提案する。 学習された表現はコンパクトな有効モデルである: 各キュービットに対する局所アフィンブロッホチャネル、および3キュービット拡張において、相関エラーをキャプチャするペアワイズ残差である。 結果は、より信頼性の高い変動量子アルゴリズムへのハードウェア対応ルートとして、効果的なエラー処理学習をサポートする。
  論文  参考訳（メタデータ） (2026-05-29T20:58:00Z)
• Scalable Quantum Error Mitigation with Physically Informed Graph Neural Networks [15.406494854444583]
  QEM(Quantum error mitigation)は、ノイズの多い量子デバイス上で信頼性の高い可観測物を推定するための実用的な経路を提供する。 物理情報をモデル表現に組み込んだグラフ強化緩和(GEM)フレームワークを構築した。 我々は,GEMがCDRに匹敵する精度のレベルを提供すると同時に,平均絶対誤差を低くし,より大規模なシステムへのゼロショット転送の安定性を向上することを示した。
  論文  参考訳（メタデータ） (2026-04-18T04:04:54Z)
• Spike-driven Large Language Model [49.52947423982696]
  スパイキングニューラルネットワーク(SNN)はスパイク駆動特性を持つ。 現在のLarge Language Models (LLM) は主に大規模密度行列乗法に基づいている。 本研究では,スパース加算操作により高密度行列乗算を除去するスパイク駆動型大規模言語モデルであるSDLLMを提案する。
  論文  参考訳（メタデータ） (2026-04-11T17:58:35Z)
• MCEL: Margin-Based Cross-Entropy Loss for Error-Tolerant Quantized Neural Networks [2.591303779092077]
  ビットエラーに対するロバスト性は、新興の近似コンピューティングプラットフォームでニューラルネットワーク(NN)を使用する上で重要な要件である。 NNにおけるビットエラー耐性を実現するための一般的なアプローチは、事前に定義されたエラーモデルに従ってトレーニング中にビットフリップを注入することである。 本研究では,NNが誤り認識学習に頼らずにビット誤りを許容する機構について検討する。
  論文  参考訳（メタデータ） (2026-03-05T10:58:30Z)
• SAQ: Stabilizer-Aware Quantum Error Correction Decoder [8.458339111154585]
  量子誤り訂正(QEC)復号法は、基本的な精度と効率のトレードオフに直面している。 最近のニューラルデコーダは複雑さを減少させるが、計算に高価な古典的手法と競合するために必要な精度に欠ける。 本稿では,変換器に基づく学習と制約後処理を組み合わせたフレームワークであるSAQ-Decoderを紹介する。
  論文  参考訳（メタデータ） (2025-12-09T18:51:35Z)
• MPQ-DMv2: Flexible Residual Mixed Precision Quantization for Low-Bit Diffusion Models with Temporal Distillation [74.34220141721231]
  我々は,textbfMixed textbfPrecision textbfQuantizationフレームワークを改良したMPQ-DMv2を提案する。
  論文  参考訳（メタデータ） (2025-07-06T08:16:50Z)
• Pushing the Limits of Low-Bit Optimizers: A Focus on EMA Dynamics [64.62231094774211]
  ステートフル(例えばアダム)は、最適収束を達成するために、モデルサイズを2倍も補助情報を維持する。 SOLOにより、アダムスタイルは3ビットまたは2ビットの精度で量子化された状態を維持することができる。 したがって、SOLOはAdamスタイルにシームレスに適用でき、精度の低下を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2025-05-01T06:47:45Z)
• Predictor-Corrector Enhanced Transformers with Exponential Moving Average Coefficient Learning [73.73967342609603]
  トラクションエラーを最小限に抑えるための予測-相関学習フレームワークを提案する。 また、高次予測器を強化するために、指数関数的移動平均ベース係数学習法を提案する。 我々のモデルは3.8BのDeepNetを平均2.9のSacreBLEUで上回り、1/3のパラメータしか使用していない。
  論文  参考訳（メタデータ） (2024-11-05T12:26:25Z)
• 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)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• 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。