End-to-end workflow for machine learning-based qubit readout with QICK and hls4ml

要約

共同設計したニューラル ネットワーク (NN) を量子計測制御キット (QICK) に組み込む、超伝導量子ビット読み出しのためのエンドツーエンドのワークフローを紹介します。
ザイリンクス RFSoC FPGA 上に構築された QICK プラットフォームのカスタム ファームウェアとソフトウェアを活用し、機械学習 (ML) を活用して量子ビットの読み出し精度とスケーラビリティにおける重要な課題に対処することを目指しています。
このワークフローでは hls4ml パッケージを利用し、量子化対応トレーニングを採用して、ユーザーフレンドリーな Python API を介して ML モデルをハードウェア効率の高い FPGA 実装に変換します。
私たちは、単一トランスモン量子ビット読み出しのための ML アルゴリズムの設計、最適化、統合を実験的に実証し、32ns のレイテンシと 16% 未満の FPGA ルックアップ テーブル リソース使用率で 96% のシングルショット忠実度を達成します。
私たちの成果は、量子情報処理アプリケーションにおける ML 駆動の読み出しと適応制御を進歩させるためのアクセス可能なワークフローをコミュニティに提供します。

要約(オリジナル)

We present an end-to-end workflow for superconducting qubit readout that embeds co-designed Neural Networks (NNs) into the Quantum Instrumentation Control Kit (QICK). Capitalizing on the custom firmware and software of the QICK platform, which is built on Xilinx RFSoC FPGAs, we aim to leverage machine learning (ML) to address critical challenges in qubit readout accuracy and scalability. The workflow utilizes the hls4ml package and employs quantization-aware training to translate ML models into hardware-efficient FPGA implementations via user-friendly Python APIs. We experimentally demonstrate the design, optimization, and integration of an ML algorithm for single transmon qubit readout, achieving 96% single-shot fidelity with a latency of 32ns and less than 16% FPGA look-up table resource utilization. Our results offer the community an accessible workflow to advance ML-driven readout and adaptive control in quantum information processing applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google