Reti neurali a impulsi per la lettura dei qubit in streaming

Abstract degli autori

L’assegnazione rapida e accurata dello stato dei qubit è essenziale per il feedback, la calibrazione e la correzione degli errori nei processori quantistici. Nelle piattaforme superconduttive, la lettura multiplexata in frequenza rende questo compito intrinsecamente multivariato, poiché le tracce misurate possono codificare diafonia, eventi di rilassamento dello stato dei qubit e altre non idealità transitorie che il filtraggio adattato convenzionale non riesce a cogliere pienamente. In questo lavoro presentiamo discriminatori basati su reti neurali a impulsi (SNN) per la lettura di qubit superconduttivi. Elaborando la finestra di misura in blocchi temporali successivi, le reti sfruttano la struttura temporale e aggiornano i punteggi di classificazione man mano che arrivano i dati, invece di attendere la fine della finestra di lettura. Le reti a impulsi superano la discriminazione basata sul filtro adattato e raggiungono un’accuratezza prossima a quella di una rete neurale artificiale che utilizza la traccia completa. Oltre a raggiungere le prestazioni delle reti neurali artificiali, il vantaggio fondamentale delle SNN è che forniscono una stima dello stato del qubit in streaming e risolta nel tempo, che evolve durante l’acquisizione del segnale di lettura. Utilizzando l’addestramento consapevole della quantizzazione e la sintesi hls4ml, dimostriamo inoltre che ogni aggiornamento dell’inferenza su FPGA può essere completato prima che arrivi il blocco di lettura successivo. Questi risultati indicano che le reti neurali a impulsi sono una strada promettente per la lettura dei qubit in tempo reale e a bassa latenza su hardware FPGA, con implicazioni più ampie per applicazioni di controllo quantistico e inferenza scientifica in cui il tempo è un fattore critico.