量子科技中心_量科网

精确的量子态读取对于纠错和算法至关重要，但测量误差会造成严重干扰。读取保真度通常受限于较低的信噪比（SNR）和能量弛豫（T1衰减）现象，这是超导量子比特面临的主要难题。虽然现有方法多采用聚类算法对积分读取信号进行分类，但这些技术无法区分初始处于基态的量子比特与测量过程中衰减至基态的情况。该研究团队创新性地提出在原始非积分模拟信号上应用机器学习（ML）方法，将长短期记忆（LSTM）网络等时间序列分类模型应用于完整数据轨迹。研究发现：结合滤波和特征工程的LSTM模型始终优于聚类方法，其最大优势体现在对聚类边界区域数据点的重新分类能力上——这些点对应着非典型测量记录，很可能是因数据积分过程中丢失瞬态或噪声特征所致。由于保留了时序信息，LSTM等序列感知模型能更有效区分这些轨迹，而基于积分值的聚类方法则更容易产生误判。