論文の概要: Real-Time Adaptive Filtering and the Boxcar Limit in Superconducting Qubit Readout

• arxiv url: http://arxiv.org/abs/2610.00783v1
• Date: Wed, 30 Sep 2026 22:19:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.794746
• Title: Real-Time Adaptive Filtering and the Boxcar Limit in Superconducting Qubit Readout
• Title（参考訳）: 超電導量子ビット読み出しにおける実時間適応フィルタとボックスカー限界
• Abstract要約: 超伝導量子ビットの分散読み出しにおいて、共通のベースラインはボックスカー平均器である。 適応型有限インパルス応答(FIR)フィルタをリアルタイムで評価した。 凍結フィルタとボックスカー平均化を比較するために, オフラインで測定した読み出しショットを解析した。
• 参考スコア（独自算出の注目度）: 1.2177934911730157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In dispersive readout of superconducting qubits, the common baseline is a boxcar averager: a uniformly weighted average over a fixed window followed by threshold-based state assignment. We ask when additional digital processing improves fidelity. We evaluated an adaptive finite-impulse-response (FIR) filter trained in real time by the least-mean-squares (LMS) algorithm on an FPGA quantum controller, and analyzed measured readout shots offline to compare the frozen filter with boxcar averaging and to test per-sample weighting and sequential detection. For the fixed FIR filters tested, summing the filtered samples gives the boxcar sum multiplied by one complex number, apart from a small edge correction (the kernel collapse). This scales state separation and noise equally, so discrimination cannot improve (the boxcar limit). The frozen LMS filter reduces trace noise without a resolved fidelity improvement at the tested readout lengths. Replayed on the same shots offline, each filtered shot carries 99.4% of the boxcar shot's discrimination signal-to-noise ratio at the 8 $μ$s operating point of the 2D transmon qubit (Q1). On Q1, optimizing the readout window's start and duration improves contrast readout fidelity by +2.4% to +5.6% across four readout lengths. Per-sample weighting adds up to +3.0% over full-window integration, and only +0.33% beyond the tuned window at 8 $μ$s. Remaining results are from a 3D ancilla qubit (Q2), which sits above the early-decision crossover that Q1 sits below. Hardware sweeps locate the crossover window near 1 $μ$s. Offline, the sequential test decided most shots early, with fidelity within 0.5 percentage points of the boxcar. About 30 labeled shots per class build a matched-filter template nearly as good as one from hundreds. The results form an operating-point record that separates waveform denoising from decision improvement.
• Abstract（参考訳）: 超伝導量子ビットの分散読み出しにおいて、共通のベースラインはボックスカー平均値であり、固定されたウィンドウ上で一様に重み付けられた平均値としきい値に基づく状態割り当てである。 追加のデジタル処理が忠実度を向上するかどうかを問う。 FPGA量子コントローラ上で最小平均二乗法 (LMS) アルゴリズムを用いてリアルタイムに学習した適応有限インパルス応答 (FIR) フィルタの評価を行い, 凍結フィルタとボックスカー平均値を比較し, サンプルごとの重み付けとシーケンシャル検出を行った。 テストされた固定されたFIRフィルタに対して、フィルタされたサンプルの和は、小さなエッジ補正(カーネル崩壊)とは別に、ボックスカーの総和を1つの複素数で乗じる。 これにより、状態分離とノイズが等しくスケールするので、差別は改善できない(ボックスカーの制限)。 凍結したLMSフィルタは、試験された読み出し長さでの忠実度を改善することなく、トレースノイズを低減する。 同じショットでオフラインで再生された各フィルターショットは、2Dトランスモンキュービットの8$μ$s動作ポイント(Q1)において、ボックスカーショットの識別信号とノイズ比の99.4%を担っている。 Q1では、読み出しウィンドウの開始と期間を最適化することで、4つの読み出し長さでコントラスト読み出しフィリティが+2.4%から+5.6%向上する。 サンプルごとの重み付けは、フルウィンドウの統合で+3.0%まで増加し、8$μ$sで調整されたウィンドウの向こう側では+0.33%しか増加しない。 残る結果は、3Dアンシラ量子ビット (Q2) によるものであり、これはQ1が下にある早期決定クロスオーバーの上に位置する。 ハードウェアスイープは、1$μ$sに近いクロスオーバーウィンドウを見つける。 オフラインでは、シーケンシャルテストでほとんどのショットが早期に決定され、ボックスカーの0.5ポイント以内の忠実度が決定された。 クラスごとに約30枚のラベル付きショットがマッチしたフィルターテンプレートを構築している。 結果は、決定改善からデノベーションする波形を分離する操作ポイントレコードを形成する。

関連論文リスト

• Zero- Versus Infinite-Temperature Damping in Variational Quantum Circuits: Feature Scale, Sampling Cost, and Frame Gauge [0.326654570054705]
  振幅減衰(AD)のパウリツワール(Pauli twirl)は、無限温度での一般化振幅減衰である。 トレーニング可能な出力スケールは、その結果の精度の違いの大部分を取り除きます。
  論文  参考訳（メタデータ） (2026-10-01T11:02:32Z)
• Frozen Cores Need Task Signal: Fisher-Whitened Cross-Covariance for Low-Resource LLM Adaptation [18.8104643146881]
  厳格な訓練州予算の下で, コンストラクタ効率の高い微調整の選択について検討した。 我々は、署名された入力-エラーの相互共分散を推定し、対角的なフィッシャーモーメントと白くし、その結果の局所距離でそれを切り離し、選択した方向を写像し、より薄いQRを適用して安定したコア座標を得るFCCAを紹介する。 Qwen2.5-3B では、FCCA は 83.0 のマクロ平均値に達し、その2.3 ポイントは、マッチした予算のコンストラクタよりも高く、11 タスクすべてにおいて未白の RawGrad コントロールを超えている。
  論文  参考訳（メタデータ） (2026-09-01T05:52:38Z)
• Spectral-Guided Diffusion: Accelerating Inference via Static Spectral Layer Scheduling [6.908972852063454]
  SCR/フロベニウスは、ランダム、深さ、ノルム、安定ランク、およびフロベニウスの安定ランクスケジュールよりも品質を保っていることを示す。 SCR/フロベニウスはレイヤーステップの予算で、ランダム、深さ、ノルム、安定なランク、安定なランクのスケジュールよりも品質を保っている。
  論文  参考訳（メタデータ） (2026-08-24T17:43:01Z)
• SMOPD: Selective Token-Entropy Masking for Dirty-History Multi-Turn On-Policy Self-Distillation [0.0]
  SMOPD(Selective Masking for On-Policy Distillation)は多ターンOPSDにおける損失のみの安定化手法である。 生成した中ターン応答ごとに、SMOPDは学生エントロピーによってトークンの位置をランク付けし、クリッピングされたジェンセン・シャノン蒸留損失から最低エントロピー20%を除去する。 この設計は、粗い軌道結果よりもトークンレベルの不確実性を目標とし、パラメータを追加せず、推論時のオーバーヘッドもゼロである。
  論文  参考訳（メタデータ） (2026-07-30T08:40:30Z)
• Deformable Wiener Filter for Future Video Coding [55.405068056883614]
  We propose a deformable Wiener Filter (DWF) for in-loop filters in Versatile Video Coding (VVC)。 局所特性と非局所特性を組み合わせて、ウィナーフィルタ理論に基づいてフィルタ係数を指導的に訓練する。 平均で1.16%、1.92%、および2.67%のビットレートの節約を実現している。
  論文  参考訳（メタデータ） (2026-06-01T02:24:07Z)
• SOAR: Self-Correction for Optimal Alignment and Refinement in Diffusion Models [48.335262141752715]
  拡散モデルのための後トレーニングパイプラインには、キュレートされたデータに対する教師付き微調整(SFT)と報酬モデルによる強化学習(RL)の2段階がある。 本稿では,このギャップを埋めるバイアス補正ポストトレーニング法であるSOAR(Self-Correction for Optimal Alignment and Refinement)を提案する。 オンライン政治であり、報酬なしであり、クレジット割り当ての問題なく、時間ごとの密集した監督を提供する。
  論文  参考訳（メタデータ） (2026-04-14T11:45:15Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• LiNeXt: Revisiting LiDAR Completion with Efficient Non-Diffusion Architectures [52.59993476989728]
  LiNeXtは、高速で正確なポイントクラウド補完に最適化された軽量で非拡散ネットワークである。 LiNeXtは推論の199.8倍の高速化を実現し、チャンファー距離を50.7%削減し、LiDiffと比較してパラメータの6.1%しか使用していない。
  論文  参考訳（メタデータ） (2025-11-13T11:28:18Z)
• StraightPCF: Straight Point Cloud Filtering [50.66412286723848]
  ポイントクラウドフィルタリングは、基礎となるクリーンな表面を回復しながらノイズを取り除くことを目的とした、基本的な3Dビジョンタスクである。 我々は、ポイントクラウドフィルタリングのための新しいディープラーニングベースの方法であるStraightPCFを紹介する。 ノイズの多い点を直線に沿って移動させることで、離散化誤差を低減し、クリーン表面への高速な収束を保証する。
  論文  参考訳（メタデータ） (2024-05-14T05:41:59Z)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)

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。