Deep learning enhanced noise spectroscopy of a spin qubit environment

要約

【タイトル】スピンキュービット環境のノイズ分光学の深層学習による強化

【要約】量子系とその環境の望ましくない相互作用は、一般的に時間と共に重ね合わせ状態の相関の減衰を引き起こす。環境によって誘起されるノイズの周波数スペクトルの正確な知識は、量子ビットの相関を保護し、量子デバイスアプリケーションでその使用を最適化するために重要です。本論文では、ニトロゲン欠陥（NV）センター周りの一連の炭素不純物の特徴付けをするパワースペクトル密度を再構築することができ、深層学習を用いるとノイズ分光学の正確性を大幅に向上させることができることを実験的に示します。ニューラルネットワークは、一般的にダイナミカルデカップリング（DD）に使用されるさまざまなCarr-Purcellシーケンスに従ったスピン相関関数に対してトレーニングされます。その結果、深層学習モデルは、同時にはるかに少数のDDシーケンスを必要とすることにより、標準的なDDノイズ分光学技術よりも正確であることが判明しました。

【要点】

– 量子系とその環境の相互作用によって相関が減衰する
– ノイズの周波数スペクトルの正確な知識は量子ビットの相関を保護する上で重要
– 深層学習を用いるとノイズ分光学の正確性を向上させることができる
– ニューラルネットワークはスピン相関関数にトレーニングされる
– 深層学習モデルは、標準的なDDノイズ分光学技術よりも正確であることが判明
– 同時にはるかに少数のDDシーケンスを必要とする

要約(オリジナル)

The undesired interaction of a quantum system with its environment generally leads to a coherence decay of superposition states in time. A precise knowledge of the spectral content of the noise induced by the environment is crucial to protect qubit coherence and optimize its employment in quantum device applications. We experimentally show that the use of neural networks can highly increase the accuracy of noise spectroscopy, by reconstructing the power spectral density that characterizes an ensemble of carbon impurities around a nitrogen-vacancy (NV) center in diamond. Neural networks are trained over spin coherence functions of the NV center subjected to different Carr-Purcell sequences, typically used for dynamical decoupling (DD). As a result, we determine that deep learning models can be more accurate than standard DD noise-spectroscopy techniques, by requiring at the same time a much smaller number of DD sequences.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI