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

• arxiv url: http://arxiv.org/abs/2610.00783v2
• Date: Fri, 02 Oct 2026 16:04:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:29.983995
• 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: 超伝導量子コンピューティングのための制御および読み出しシステムは、リアルタイム制御と高忠実な量子状態判別をサポートする。 我々は、フィールドプログラマブルゲートアレイ(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、適応有限インパルス応答(FIR)フィルタをリアルタイムで評価する。
• 参考スコア（独自算出の注目度）: 1.2177934911730157
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Control and readout systems for superconducting quantum computing support real-time control and high-fidelity qubit-state discrimination. We examine when additional digital processing improves readout fidelity. A common baseline for dispersive readout uses a boxcar averager to compute a uniformly weighted average over a fixed window, followed by threshold-based state assignment. In this paper, we evaluated an adaptive finite-impulse-response (FIR) filter trained in real time using the least-mean-squares (LMS) algorithm on a field-programmable gate array (FPGA) quantum controller. We also analyzed measured readout shots offline to compare the frozen filter with boxcar averaging and to evaluate per-sample weighting and sequential detection. For the fixed FIR filters tested, we show summing the filtered samples gives the boxcar sum multiplied by one complex number, apart from a small edge correction. We call this the kernel collapse. The multiplication scales the state separation and noise equally without improving state discrimination, and we call this the boxcar limit. The frozen LMS filter reduces trace noise, but same-shot offline comparisons show no resolved improvement in readout fidelity at the tested operating points. On a 2D transmon, tuning the integration window accounts for much of the observed improvement over full-window integration, highlighting the importance of an optimized boxcar baseline when evaluating per-sample weighting. We then examine how changing the decision method can reduce calibration effort and decision time. On a higher-fidelity 3D ancilla readout, model-based template estimation reaches the same fidelity target as direct averaging with about 30 rather than 300 labeled shots per state. Offline sequential replay assigns most shots before the acquisition window ends, with contrast fidelity within an absolute +/-0.5% tolerance of the boxcar on the primary...
• Abstract（参考訳）: 超伝導量子コンピューティングのための制御および読み出しシステムは、リアルタイム制御と高忠実な量子状態判別をサポートする。 追加のデジタル処理によって読み出し精度が向上するかどうかを検討する。 分散読み出しのための共通のベースラインは、ボックスカー平均器を使用して固定ウィンドウ上で一様に重み付けされた平均を計算し、しきい値ベースの状態割り当てを行う。 本論文では、フィールドプログラマブルゲートアレイ(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、適応有限インパルス応答(FIR)フィルタをリアルタイムにトレーニングした。 また, 凍結フィルタとボックスカー平均化を比較し, サンプルごとの重み付けとシーケンシャル検出を評価した。 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がボックスカーの和を1つの複素数で乗じることを示す。 これをカーネル崩壊と呼ぶ。 この乗算は、状態の識別を改善することなく、状態分離とノイズを等しくスケールし、これをボックスカー制限と呼ぶ。 凍結したLMSフィルタはトレースノイズを低減させるが、同一ショットのオフライン比較では、試験された動作点における読み出し精度は改善されていない。 2Dトランスモンでは、統合ウィンドウのチューニングがフルウィンドウ統合よりも多くの改善点を考慮し、サンプルごとの重み付けを評価する際に、最適化されたボックスカーベースラインの重要性を強調している。 次に,決定方法の変更がキャリブレーションの労力と決定時間を削減する方法について検討する。 高忠実度3Dアンシラ読み出しでは、モデルベースのテンプレート推定は、300発のラベル付きショットではなく、30発の直接平均値と同じ忠実度目標に達する。 オフラインのシーケンシャルなリプレイは、取得ウィンドウが終了する前にほとんどのショットを割り当てる。

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。