使用机器学习来改善从不确定的EMCCD测量中捕获的离子的多量子位状态歧视
Optics express
|October 20, 2023
概括
本研究引入了一个卷积神经网络 (CNN),用于使用电子倍增电荷合器件 (EMCCD) 进行增强的多量子比特状态测量. 这种新的方法通过分析离子图像强度和形状来提高量子态确定准确度,优于传统方法.
科学领域:
- 量子信息科学 量子信息科学
- 原子,分子和光学物理学
- 机器学习应用 机器学习应用
背景情况:
- 精确的多量子比特状态测量对于推进量子计算和仿真至关重要.
- 传统方法通常仅依赖强度值,可能会限制测量准确度.
- 电子乘数电荷合装置 (EMCCD) 用于检测量子系统中被困的离子.
研究的目的:
- 开发和验证一种新的卷积神经网络 (CNN) 模型,以改进多量子位状态测量.
- 通过结合像素强度和离子图像形状来提高量子状态确定的准确性.
- 将拟议的CNN模型与传统测量技术的性能进行比较.
主要方法:
- 一个基于残余网络 (ResNet) 的CNN模型被设计用于分析电子乘积电荷合装置 (EMCCD) 数据.
- 该CNN模型同时处理离子图像强度和形状信息,以确定量子状态.
- 在4个被困离子上进行了实验验证,并进行了故意的离子图像漂移,以测试强度.
主要成果:
- 拟议的CNN模型实现了4个被困离子的平均个体测量保真率 (MIMF) 为99.53±0.14%.
- 这与最大概率估计方法 (99.13±0.08% MIMF) 相比,错误率减少了46%.
- 该模型证明了针对故意的离子图像漂移的稳定性.
结论:
- 基于ResNet的CNN模型显著提高了多量子位状态测量准确度.
- 将离子图像形状分析与强度相结合,提供了比传统方法更好的性能.
- 开发的模型为被困离子系统中的量子状态测量提供了强大而准确的解决方案.
