随着量子芯片上量子比特数的增加，必须采用读出线路的复用减少硬件资源的消耗。目前很多比特读出状态的识别区分的技术只针对单比特，不考虑依赖于系统的非理想特性，比如读出串扰，因此用在多比特的复用读出时误差较大。

近日，美国麻省理工学院的研究人员用全连接的前馈深度神经网络提高了频分复用读出的量子比特状态赋值保真度（qubit-state-assignment fidelity），总赋值错误率降低25%，其中串扰的影响降低一个数量级。通过对多种量子态区分方法的比较发现，比起传统的匹配滤波器和线性软间隔支持向量机，神经网络所需预处理最少，且量子态区分效果最好。而在神经网络方法中，相比卷积网络和长短时记忆循环神经网络，有三个隐藏层和用RELU激活函数的全连接网络对于多比特同时读出能达到更高的赋值保真度。

该工作给出了一种高保真度的多量子比特状态读出数据的处理方法，在目前中等规模含噪声量子系统和未来容错系统中都可适用。

论文信息：https://arxiv.org/abs/2102.12481v1