典型文献
基于深度学习的量子比特噪声谱解析
文献摘要：
作为量子技术中的信息载体,量子比特被广泛应用于量子计算、量子模拟以及量子精密测量等研究领域.然而由于环境中如噪声等因素的存在,量子比特的信息表征会受到一定限制.如何精确地解析出环境中作用于量子比特的噪声谱信息,成了量子比特动力学解耦工作中亟待解决的问题.基于近似解析的传统方法无法精确地从量子比特的时域测量信息中解析出噪声谱.因此,在本文中,我们提出了一种基于深度学习的量子比特噪声谱解析方法.该方法通过不断学习,能够获取量子比特的退相干曲线与其噪声谱之间的潜在映射关系,为后续数值模拟和实验测量中的量子比特噪声谱解析提供了新的技术思路.相比于传统方法,该方法的精确度更高,并且可以推广到其他类型噪声谱的解析工作中.
文献关键词：
量子比特;噪声谱;动力学解耦;卷积神经网络;退相干曲线
中图分类号：
作者姓名：
周雪莹;张文超;胡志毅;周飞飞;陈冰;徐南阳
作者机构：
合肥工业大学,物理学院 安徽合肥 230009
文献出处：
引用格式：
[1]周雪莹;张文超;胡志毅;周飞飞;陈冰;徐南阳-.基于深度学习的量子比特噪声谱解析)[J].量子光学学报,2022(03):200-207
A类：
退相干曲线
B类：
量子比特,噪声谱,量子技术,信息载体,量子计算,量子模拟,量子精密测量,信息表征,动力学解耦,近似解析,时域测量,解析方法,不断学习,映射关系,实验测量
AB值：
0.192664
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
