量智信息中心_量科网

量子处理器需要对多个量子比特进行快速且高保真度的同步测量。虽然超导量子比特是实现实用量子处理器的主要候选技术之一，但其读出过程仍是瓶颈。传统测量数据处理方法通常难以有效处理频率复用读出（降低资源开销的首选方案）中存在的串扰问题。 近期研究采用神经网络提升量子态辨别保真度，但这些方法存在训练和评估计算成本高的问题，随着量子比特数量增加，会导致延迟上升和可扩展性下降。该团队提出了一种基于下一代储层计算的替代性机器学习方法，该方法从测量信号构建多项式特征并将其映射至对应量子态。这种技术具有高度可并行性，避免了神经网络中常见的昂贵非线性激活函数，并支持实时训练，可实现快速评估、适应性和可扩展性。 尽管计算复杂度较低，该储层计算方法仍能保持高量子态辨别保真度。相较于传统方法，在单量子比特和五量子比特数据集上分别实现了最高50%和11%的错误率降低，并在五量子比特数据集上实现最高2.5倍的串扰抑制。与近期机器学习方法相比，该模型的评估计算量在单量子比特和五量子比特场景下分别减少100倍和2.5倍。这项工作证明储层计算可在保持未来量子处理器可扩展性的同时，显著提升量子态辨别性能。