研究人员利用脉冲网络构建快速量子比特读取器

量子处理器现在访问量子比特状态的速度已经足够快，可以进行实时纠错。脉冲神经元网络在测量数据到达时对量子比特状态进行分类，避开了等待获取完整轨迹的需求。这提供了一个持续更新的量子比特状态估计；超越了匹配滤波技术，并达到了传统人工神经网络的准确度。一个利用“脉冲”神经元网络的新系统能快速确定量子比特（量子计算机的基本构建模块）的状态。

与分析前需要完整数据收集的现有方法不同，这项技术分阶段处理输入信号，允许对量子比特的状态进行持续更新。奥尔斯特大学的研究人员及其合作机构开创了一种受人脑启发、利用人工智能从量子比特中读取信息的新方法。该系统采用“脉冲”神经元网络分阶段处理输入信号，提供量子比特状态的持续更新，这与分析前需要完整数据收集的传统方法不同。

频分复用读取就像同时收听多个广播电台；分离每个信号需要精细的处理。这项创新超越了匹配滤波技术（类似于将未知信号与预定义模板进行比较），同时实现了与传统人工神经网络相当的准确度。这允许对量子比特状态进行实时评估，并为更快的纠错开辟了可能性，但这些脉冲网络能否在现有量子硬件上高效实现。

脉冲神经元网络实现超导量子比特状态的实时估计

为超导量子比特分配状态的延迟现已降低，在之前依赖完整测量记录受到限制的情况下，实现了 50ns 内的推理更新。由奥尔斯特大学与慕尼黑工业大学及 Walther-Meißner-Institut 的合作者共同开发的一个利用脉冲神经元网络 (SNNs) 的系统，在达到传统人工神经网络准确度的同时，在信号捕获期间提供持续的、时间分辨的量子比特状态估计。顺序处理分段分析输入信号，而不是等待完成；这避开了匹配滤波技术固有的局限性，该技术在处理频分复用读取产生的复杂多变量数据时非常吃力。

通过利用现场可编程门阵列 (FPGAs)——制造后可配置的专用集成电路，实现了仅在 50ns 内的推理更新。量化感知训练是一种在不显著影响准确度的情况下降低计算精度的技术，它实现了更高效的 FPGA 处理。

使用 HTML 综合的成功实现证实了模拟之外的实际可行性，因为自动化工具将机器学习模型转换为适用于部署在 FPGA 上的硬件描述，而传统的匹配滤波在分析前需要完整的数据采集。分段处理输入信号提供了量子比特状态的持续估计，并避开了在处理频分复用读取系统固有的复杂信号变化时的局限性，在这种系统中，多个量子比特共享测量线路。

通过受生物启发的人工智能量子控制推进响应式纠错

脉冲神经元网络的演示为实现真正的响应式量子系统提供了一条途径；随着处理器复杂性的增加，快速反馈循环对于加速纠错程序至关重要。然而，目前的实现重点在于证明在有限的五量子比特设置中的可行性，这引发了关于将其应用于更大架构时能否保持这些性能增益的疑问。鉴于复用读取本质上增加了数据量和信号复杂性，将这种方法扩展到超出 FPGA 容量的范围会带来重大的工程挑战。

承认超出五个量子比特的可扩展性局限性对未来的发展非常重要。通过量化感知训练和 hls4ml 综合的成功部署已经证明了模拟之外的实际可行性，为低延迟实时处理铺平了道路，这与依赖完整测量记录的传统技术形成了对比。这限制了速度，并为纠错协议或反馈控制循环等时间关键型应用引入了延迟。此外，脉冲神经元网络的这一实现提供了一种分析超导量子比特信号的新方法，因为这些人工智能系统在数据到达时以增量方式处理数据，而不是需要完整的信号采集。