Superconducting Qubits and Quantum Resonators
PulseAugur coverage of Superconducting Qubits and Quantum Resonators — every cluster mentioning Superconducting Qubits and Quantum Resonators across labs, papers, and developer communities, ranked by signal.
-
量子计算扩展路线图整合经典HPC以实现数百万量子比特
一篇新的arXiv论文概述了一条将量子计算机从数百个量子比特扩展到数百万个量子比特的路径，该路径通过利用半导体制造技术并将其与经典高性能计算（HPC）相结合。该研究详细介绍了量子化学和催化剂设计等应用的资源估算，强调了对硬件改进和紧密量子-经典集成（quantum-classical integration）的需求。该论文还介绍了具有定制加速器的量子概率计算（quantum-probabilistic computing）架构，以处理…
-
AI探测器用于超导量子比特电荷跳变，实现实时控制
研究人员开发了一种新颖的超导量子比特电荷跳变在线探测器，采用了扩张因果卷积神经网络（DCCNN）。这种新方法可部署在量子仪器控制套件（QICK）平台上，与现有的离线检测技术相比，显著降低了延迟。DCCNN在费米实验室西北地下实验场地（NEXUS）的数据上进行训练，实现了每推理6.19微秒的延迟，并能达到传统方法的探测效率，从而能够实现实时纠错和新颖的量子传感应用。
-
新的QCalEval基准测试对量子校准图上的视觉-语言模型进行评估
研究人员推出了QCalEval，这是一个新的基准测试，旨在评估视觉-语言模型（VLMs）在多大程度上能够理解量子计算校准图。该基准测试包含243个样本，涵盖了各种量子计算实验类型，并使用零样本和上下文学习方法进行评估。初步结果表明，虽然前沿的闭源模型表现良好，但许多开放权重模型在多图像上下文学习方面存在困难，并且仅通过监督微调并不能完全弥合这一差距。
-
元学习框架HAML助力超导量子比特哈密顿量约简
研究人员开发了HAML（Hamiltonian Adaptation via Meta-Learning，通过元学习实现的哈密顿量自适应）框架，该框架专为超导量子处理器中有效哈密顿量模型的快速在线调整而设计。该系统采用两阶段方法：首先在模拟设备上进行监督训练，以将控制输入映射到哈密顿量系数；然后进行在线自适应阶段，利用最少的硬件测量来识别设备参数。HAML通过学习从复杂多模哈密顿量到简单量子比特描述的直接约简，绕过了传统的微扰理论，有…