量子科技中心_量科网

精确且低延迟的量子比特态测量对囚禁离子量子计算至关重要。尽管深度神经网络（DNN）已被集成以提升检测保真度，但其在特定硬件平台上的延迟性能仍待深入探究。该研究基于现场可编程门阵列（FPGA）和图形处理器（GPU）对DNN量子比特检测的延迟性能进行了基准测试。FPGA方案将电子倍增电荷耦合器件（EMCCD）与后续数据处理逻辑直接对接，消除了缓冲与接口开销；作为基线对比，基于GPU的系统采用高速PCIe图像采集卡输入图像，并通过I/O卡输出量子态。该团队在硬件上部署了多层感知机（MLP）和视觉变换器（ViT）模型以评估测量性能。与传统阈值法相比，DNN将平均测量保真度（MMF）误差降低至1.8-2.5倍（单量子比特情形）和4.2-7.6倍（三量子比特情形）。基于FPGA的MLP和ViT分别实现纳秒级与微秒级推理延迟，而完整的单次测量流程较GPU方案加速超100倍。此外，时钟周期级信号分析揭示了Cameralink传输EMCCD数据的低效性，表明优化该接口可进一步发挥超低延迟DNN推理的优势，为下一代量子比特检测系统的开发提供指导。