大阪大学
DNN分类器的结构
作者:森英士·松本等人
大阪大学科学与工业研究所(SANKEN)领导的研究人员训练了一个深度神经网络，以正确确定量子比特的输出状态，尽管存在环境噪声
该团队的新方法可能会让量子计算机得到更广泛的应用
现代计算机基于二进制逻辑，其中每一位都被限制为1或0
但是由于量子力学的奇怪规则，新的实验系统可以通过允许量子比特(也称为量子比特)处于1和0的“叠加”中来实现更高的计算能力
例如，被限制在称为量子点的小岛上的电子自旋可以同时上下定向
然而，当一个位的最终状态被读出时，它回复到作为一个或另一个方向的经典行为
为了让量子计算足够可靠地为消费者所用，需要创建新的系统，即使信号中有大量噪声，也能精确记录每个量子比特的输出
现在，由SANKEN领导的科学家团队使用一种叫做深度神经网络的机器学习方法来辨别量子点上电子自旋方向产生的信号
“我们开发了一个基于深度神经网络的分类器，即使在有噪声信号的情况下，也能精确测量量子位状态，”合著者藤田孝夫解释道
半导体自旋量子比特器件
作者:森英士·松本等人
在实验系统中，只有具有特定自旋取向的电子才能离开量子点
当这种情况发生时，会产生一个临时的电压上升“信号”
该团队训练机器学习算法，从噪音中挑出这些信号
他们使用的深度神经网络有一个卷积神经网络来识别重要的信号特征，结合一个递归神经网络来监控时间序列数据
资深作者Akira Oiwa说:“我们的方法简化了学习过程，以适应可能因情况而异的强烈干扰。”
该团队首先通过添加模拟噪声和漂移来测试分类器的鲁棒性
然后，他们训练该算法来处理来自量子点阵列的实际数据，并且达到了95%以上的准确率
这项研究的结果可能允许在未来的量子计算机中对大规模量子比特阵列进行高保真度测量
DNN分类方法的噪声鲁棒性
作者:森英士·松本等人
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
