論文の概要: Spiking neural networks for streaming qubit readout

• arxiv url: http://arxiv.org/abs/2610.02129v1
• Date: Thu, 01 Oct 2026 17:40:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.347383
• Title: Spiking neural networks for streaming qubit readout
• Title（参考訳）: ストリーミング量子ビット読み出しのためのスパイキングニューラルネットワーク
• Abstract要約: 超伝導量子ビット読み出しのためのスパイキングニューラルネットワーク(SNN)判別器を導入する。 ネットワークは時間構造を利用し、データが到着すると分類スコアを更新する。 ネットワークはマッチングフィルタの識別を上回り、フルトレースの人工ニューラルネットワークの精度にアプローチする。
• 参考スコア（独自算出の注目度）: 0.20878272814614096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fast and accurate qubit-state assignment is essential for feedback, calibration, and error correction in quantum processors. In superconducting platforms, frequency-multiplexed readout makes this task intrinsically multivariate as measured traces can encode crosstalk, qubit-state relaxation events, and other transient nonidealities that are not fully captured by conventional matched filtering. Here, we introduce spiking neural network (SNN) discriminators for superconducting qubit readout. By processing the measurement window in successive time chunks, the networks exploit temporal structure and update classification scores as data arrive, rather than waiting until the end of the readout window. The spiking networks outperform matched-filter discrimination and approach the accuracy of a full-trace artificial neural network. Beyond reaching the performance of artificial neural networks, the key advantage of SNNs is that they provide a streaming, time-resolved estimate of the qubit state that evolves as the readout signal is acquired. Using quantisation-aware training and hls4ml synthesis, we further demonstrate that each FPGA inference update can be completed before the next readout chunk arrives. These results establish spiking neural networks as a promising route to low-latency, real-time qubit readout on FPGA hardware, with broader implications for time-critical quantum-control and scientific-inference applications.
• Abstract（参考訳）: 量子プロセッサのフィードバック、校正、エラー修正には、高速で正確な量子状態割り当てが不可欠である。 超伝導プラットフォームでは、周波数多重読み出しはこのタスクを本質的に多変量化し、測定されたトレースはクロストーク、量子状態緩和イベント、および従来の整合フィルタリングによって完全に捉えられていない過渡的非イデアルを符号化することができる。 本稿では、超伝導量子ビット読み出しのためのスパイキングニューラルネットワーク(SNN)判別器を紹介する。 測定ウィンドウを連続した時間チャンクで処理することにより、読み出しウィンドウの終了まで待つのではなく、時間構造を利用して分類スコアを更新する。 スパイキングネットワークはマッチングフィルタの識別よりも優れており、フルトレースの人工ニューラルネットワークの精度に近づいている。 人工ニューラルネットワークのパフォーマンスの他に、SNNの重要な利点は、リードアウト信号が取得されるにつれて進化するキュービット状態の、ストリーミングで時間分解された推定値を提供することである。 さらに、量子化対応トレーニングとhls4ml合成を用いて、次の読み出しチャンクが到着する前に各FPGA推論更新が完了することを実証する。 これらの結果は、スパイクニューラルネットワークを、FPGAハードウェア上で低レイテンシでリアルタイムな量子ビットリードアウトへの有望な経路として確立し、時間クリティカルな量子制御と科学推論の応用に幅広い意味を持つ。

関連論文リスト

• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Low-latency machine learning FPGA accelerator for multi-qubit-state discrimination [1.6773398825542363]
  量子ビット状態を測定することは、量子コンピューティングにおいて基本的ながエラーを起こしやすい操作である。 ここでは、ニューラルネットワークをフィールドプログラマブルゲートアレイ(FPGA)上に展開するための統合的なアプローチを用いる。 マルチキュービット読み出しに完全接続型ニューラルネットワークアクセラレータを実装するのが有利であることを示す。
  論文  参考訳（メタデータ） (2024-07-04T11:34:43Z)
• A Quantum Optical Recurrent Neural Network for Online Processing of Quantum Times Series [0.7087237546722617]
  量子光リカレントニューラルネットワーク(QORNN)は,量子チャネルの伝送速度を高めることができることを示す。 また、同モデルが不要であれば、同様のメモリ効果に対処できることも示している。 我々は、この最後のタスクの小さなバージョンをフォトニックプロセッサのBorealis上で実行します。
  論文  参考訳（メタデータ） (2023-05-31T19:19:25Z)
• Knowing When to Stop: Delay-Adaptive Spiking Neural Network Classifiers with Reliability Guarantees [36.14499894307206]
  スパイキングニューラルネットワーク(SNN)は、内部イベント駆動型ニューラルネットワークを通じて時系列データを処理する。 本稿では,入力依存停止時に発生する決定に対して,信頼性を保証する新しい遅延適応型SNNベースの推論手法を提案する。
  論文  参考訳（メタデータ） (2023-05-18T22:11:04Z)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)

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。