CN111712842B - 使用监督学习细化量子位校准模型 - Google Patents

Abstract

描述了一种用于细化量子位校准模型的计算机实现的方法。该方法包括在学习模块处接收训练数据，其中训练数据包括：多个校准数据集，其中每个校准数据集从包括一个或多个量子位的系统中导出；以及多个参数集，每个参数集包括使用相应的校准数据集获得的提取的参数，其中提取参数包括使用拟合算法将量子位校准模型拟合到相应的校准数据集。该方法还包括在学习模块处执行监督机器学习算法，该算法处理训练数据以学习量子位校准模型的扰动，该扰动捕获多个校准数据集中没有被量子位校准模型捕获的一个或多个特征，从而提供细化的量子位校准模型。

Description

使用监督学习细化量子位校准模型

技术领域

本说明书涉及量子计算。具体地，它涉及使用监督学习来细化量子位校准模型。

背景技术

量子计算机上的计算可以通过操纵物理量子位(量子位，qubit)来实现。然而，为了以有用的能力操作物理量子位，可能需要校准与量子位相关的许多参数。已经开发了各种技术来校准这些参数。

发明内容

在一个示例方面，本说明书描述了一种自动量子位校准方法。该方法包括对一个或多个量子位执行校准，以获得校准数据集和相应的提取的参数集。执行每个校准包括从包括一个或多个量子位的系统获得校准数据集，并确定一个或多个提取的参数。确定一个或多个提取的参数包括使用拟合算法将量子位校准模型的一个或多个参数拟合到校准数据集。可以存储一个或多个提取的参数，并且可以使用校准数据集和相应的存储的参数中的至少一些来细化量子位校准模型。

在一个示例方面，细化量子位校准模型包括在学习模块处接收训练数据，其中训练数据包括：多个校准数据集，每个校准数据集从包括一个或多个量子位的系统导出；以及多个参数集，每个参数集包括使用相应的校准数据集获得的提取的参数，其中提取参数包括使用拟合算法将模型拟合到相应的校准数据集。细化量子位校准模型还可以包括在学习模块处执行监督学习算法，该算法处理训练数据以学习细化的量子位校准模型，该模型捕获多个校准数据集中没有被量子位校准模型捕获的一个或多个特征。细化的量子位校准模型可以允许更可靠地提取量子位参数。这导致了量子计算领域的技术进步。

附图说明

为了更容易理解本发明，现在将参考附图仅以示例的方式描述本发明的实施例，其中：

图1是包括物理量子位的系统的示意图。

图2示出了根据一个示例实施例的自动量子位校准工作流程；

图3示出了用于校准量子位的方法的步骤；

图4示出了用于学习新的量子位校准模型的方法的步骤；

图5是描绘以下内容的图示：基于回归的校准的校准数据；现有模型和细化的模型；

图6是描绘以下内容的图示：基于分类的校准的校准数据；现有模型和细化的模型；

图7(a)是描绘校准数据的图示；

图7(b)是描绘现有校准模型功能的图示；

图7(c)是描绘由三个基展开函数形成的扰动的图示；

图7(d)是描绘细化的模型的图示；

图7(e)是描绘细化的模型到校准数据集的拟合的图示。

具体实施方式

本公开的示例方面涉及使用监督学习来细化量子位校准模型。

图1是描绘系统100的示意图，系统100包括物理量子位102和用于与量子位102交互的控制和测量装置104。量子位可以是形成量子计算机的量子位系统的多个量子位之一。用于通过改变硬件参数和测量系统100的响应来与量子位102进行交互的合适的控制和测量装置本身对于量子计算领域的技术人员来说是已知的，并且在此不再详细描述。在各种示例中，量子位可以是超导量子位，或者可以包括基于一个或多个离子阱、量子点、中性原子、里德堡态(Rydberg state)、固态缺陷、分子或光子的系统。

为了以有用的能力操作物理量子位，可能需要校准与量子位相关的许多参数(例如，在某些情况下，每个量子位超过50个参数)，其中一些或全部可能取决于其他参数及其校准。可以被校准的参数的示例包括量子位频率、量子位非谐性、π脉冲长度、π/2脉冲长度、π脉冲幅度、π/2脉冲幅度、读出脉冲频率、读出脉冲长度和读出脉冲功率。

校准量子位可以包括改变系统100的硬件参数，测量系统100的响应，并使用测量结果获得一个或多个量子位参数的值。应当理解，这里使用的术语“量子位参数”是指与量子位相关联的任何参数，包括与例如量子位控制和/或测量硬件相关的量子位控制参数。

当获取校准数据时变化的硬件参数可以由数组x给出，其中x的每个元素可以是例如时间、电压、微波脉冲的相位或频率、脉冲长度或其他合适的参数。系统响应S(x)可以是表示电压或微波脉冲的相位等的实数，因此可以例如由x＝(电压幅度1，电压幅度2，…，相位)定义。可替代地或另外地，系统响应可以包括表示量子位状态、诸如0、1等的鉴别标签。

在根据本公开的一个方面的示例性方法中，执行校准过程以确定与量子位相关的一个或多个参数的一个或多个值。这种校准过程在这里可以称为“校准”。校准的一个示例是拉比(Rabi)驱动校准，其可以用于提取参数，诸如π脉冲的驱动长度。校准的另一个示例是量子位频率校准，它可以用来确定驱动量子位的频率。其他示例包括确定用于操作偏置点的值、读出功率或其他参数的校准过程。在校准过程期间获取的数据在这里可以称为“校准数据”。

校准数据可以包括系统响应信号S(x)的一些或全部，或者可以通过预处理系统响应信号S(x)，例如通过对系统响应信号S(x)应用一个或多个数学/统计/鉴别变换，例如使用诸如主成分分析的降维，来从测量的系统响应信号S(x)中导出该校准数据。

执行校准可以包括使用拟合算法将量子位校准模型的一个或多个参数拟合到校准数据，从而获得一个或多个拟合值，从该一个或多个拟合值可以推断出与量子位相关的一个或多个参数。量子位校准模型可以是启发式的、理论性的(由物理理论(例如，由理论家)得出)，或者它可以是根据本文公开的各种示例使用机器学习修改或开发的模型。

根据校准，拟合器可以实施回归或分类算法。对于基于回归的校准，该方法可以包括获得量子位校准模型对数据的最佳拟合参数，以及从那些最佳拟合参数中推断量子位参数。对于基于分类的校准，该方法可以包括通过使用量子位校准模型分析校准数据来提取定义决策边界的参数。在这种情况下，S(x)可以包括诸如0、1、2等的鉴别标签，其可以例如表示量子位状态。

量子位校准模型可以是物理模型(即，它们可以源自物理理论)，也可以是启发式模型。许多启发式或源自物理理论的校准模型(例如，“玩具模型”)有时过于简单，无法可靠地提取大规模的参数。例如，这可能是由于硬件的不完善，或者是由于在推导模型时所做的简化，例如省略了更高的量子位级(qubit level)或辅助硬件，或者是由于控制了量子位的行为的无法预见的物理。从第一物理原理开始细化玩具模型可能异常困难。

在根据本公开的一个方面的示例性方法中，学习模块使用监督机器学习算法来细化量子位校准模型。可以使用训练数据来训练监督机器学习算法，该训练数据包括通过对相同或不同的量子位多次执行校准而获得的多个校准数据集。训练数据还包括对应于校准数据集的提取的参数集。每个提取的参数集可以包括一个或多个量子位参数，该一个或多个量子位参数是使用上面讨论的方法提取的。

学习模块可以处理训练数据，以学习量子位校准模型的扰动g(x,p’)，从而获得细化的量子位校准模型，该模型可以捕获校准数据中没有被模型f(x,p)捕获的特征。这些特征可能包括校准数据中的“缺陷”，这些缺陷在许多校准数据集中是一致的。“缺陷”是指校准数据中存在但未由模型f(x,p)表示的任何特征：示例包括由高阶效应或不可预见的物理现象产生的特征。因此，与原始模型f(x,p)相比，细化的量子位校准模型可以更好地表示校准数据。

这样，细化的量子位校准模型可以允许更可靠地提取参数。更具体地，给定量子位的参数可以使用从所有先前校准的量子位的大子集开发的校准模型来提取。扰动细化消除了校准数据中的一致缺陷，使提取量子位参数变得更容易，从而改进了量子位校准。在某些情况下，扰动细化还可以允许提取无法使用原始模型提取的一个或多个量子位参数，从而允许智能播种或替代其他校准，从而进一步改进校准过程。如下面更详细描述的，基展开方法以及监督学习算法可以用于细化量子位校准模型。

对于基于回归的校准，机器学习算法可以包括线性或非线性回归算法，例如线性或非线性最小二乘或神经网络回归。对于基于分类的校准，机器学习算法可以包括线性或非线性机器学习分类器，包括基于最小二乘、最近邻法、线性鉴别分析、二次鉴别分析、逻辑回归、支持向量机或神经网络的分类器。在一些情况下，可以采用集成学习，例如，可以将多个学习算法组合成单个学习算法，该单个学习算法组合了组成算法的优点。集成学习可以用于回归和分类算法。

图2示出了根据一个示例实施例的自动量子位校准工作流程。如图所示，可以从量子位堆栈202中选择量子位q1。对于校准堆栈204中的每个校准X，可以执行图3所示的方法300。如图所示，可以获取302校准数据，并且可以预处理303校准数据，例如通过重新缩放、降维等。可以从模型堆栈206中选择304模型来分析校准数据(例如，校准数据X使用模型X)。可以使用拟合器207来分析306校准数据。

根据校准，拟合器207可以实现回归算法或分类算法。对于基于回归的校准，可以提取所选模型对校准数据的最佳拟合参数，并且可以从那些最佳拟合参数中推断出参数集。对于基于分类的校准，可以通过模型X给出的算法分析校准数据来提取决策边界。在任一情况下，可以将提取的参数存储308在参数堆栈208中。

处理训练数据

可以使用存储的校准数据和相应的参数集来开发训练堆栈210。在一定次数的校准或时间间隔(例如，每周)后，可以定期更新训练堆栈。为了更新训练堆栈210，可以针对许多量子位(例如，跨越许多芯片)从校准和参数堆栈204、208中得出校准数据和相应的提取参数集。

可以执行一个或多个鉴别过程212、214来鉴别“好”和“坏”数据。在第一鉴别过程212中，评估校准数据以确定它是“好”校准数据还是“坏”校准数据。在第二鉴别过程214中，参数集被评估以确定它们是“好”还是“坏”参数集。

“好”校准数据意味着应该能够从中提取正确的参数集。从硬件的角度来看，这意味着量子位是好的，并且在获取数据时适当地设置硬件。另一方面，“坏”校准数据意味着不能从中提取正确的参数集(例如，校准数据是噪声)。例如，这可能是由于量子位制造中的制造错误，或者在获取数据时不适当地设置硬件。可以使用独立训练的分类算法来鉴别校准数据，以决定校准数据是好还是坏。可替代地或附加地，可以对量子位是否进行了稍后的校准(例如，校准的序列中的最后一次校准)来鉴别校准数据。如果量子位“成功”到最后一次校准是校准的序列，这表明该序列中所有先前的校准可能都获得了好的校准数据。“坏”校准数据集可以被丢弃，即不(与相应的参数集一起)被添加到训练堆栈中。

第二鉴别过程214可以用于确定参数集是“好”还是“坏”参数集。“好”参数集是指提取准确描述量子位或者至少能够准确描述量子位的参数集。“坏”参数集意味着提取了不正确的参数集。校准数据为“好”但参数集为“坏”数据集是有用的，因为它们可以帮助算法学习最小化这种情况的发生。此外，它们有助于相互基准比较(benchmark)模型。可以通过对参数集应用一个或多个阈值来鉴别参数集，例如参数集应该落在一些硬件定义的限制内。

可以将好的校准数据和相应的提取参数集添加到训练堆栈中。每个训练示例可以包括二进制和/或实数指示符，以指定参数集是否已经被确定为“好”或“坏”，和/或其“好”或“坏”的程度。

学习新模型

可以使用训练堆栈中的数据来开发或更新每次校准的量子位校准模型。该模型可以例如在某个固定数量的校准或时间间隔(例如，每周)之后被更新。图4示出了一种学习新量子位校准模型的方法。如图所示，在步骤401中，训练数据被预处理(例如，通过重新缩放/降维)。在步骤402中，训练数据被分成训练/验证/测试数据集。训练和验证数据可以在学习模块216处被接收404。在步骤406中，学习模块选择监督机器学习算法218，该算法被馈送到学习模块216中。对于基于回归的校准，监督机器学习算法可以包括线性或非线性回归算法，诸如线性或非线性最小二乘或神经网络回归。对于基于分类的校准，机器学习算法可以包括线性或非线性机器学习分类器，包括基于最小二乘、最近邻法、线性鉴别分析、二次鉴别分析、逻辑回归、支持向量机或神经网络的分类器。在一些情况下，可以采用集成学习，例如，可以将多个学习算法组合成单个学习算法，该单个学习算法组合了组成算法的优点。集成学习可以用于回归和分类算法。

在步骤408，测试模型被馈送到学习模块216中。原则上，任何足够丰富的测试模型(例如，高阶多项式或傅立叶展开)都应该为任何一组一致的训练数据返回一个好的模型。然而，这种“盲目”方法的一个问题是，它可能不清楚如何从该模型中归纳地和可靠地提取参数集。因此，测试模型可以改为通过向现有的量子位校准模型添加扰动来形成。扰动“细化”的目的是消除缺陷，使提取大规模“好”参数集更容易。特别是对于回归，细化使得通过非扰动模型更容易访问参数集。如上所述，现有模型可以是植根于物理理论的模型，或者可以是启发式模型，或者可以是先前已经由学习模块216细化的模型。扰动可能足够丰富，以表示训练堆栈中的校准数据与现有模型的一致偏差，但不妨碍参数集的归纳和可靠提取。模型的复杂性可以通过应用收缩、正则化、限制或选择方法的某种组合来控制。在一些示例中，测试模型可以使用基展开方法获得(见下文)。

在步骤410中，执行学习模块216以通过使用监督机器学习算法218优化测试模型来学习新模型220。新模型220然后可以对照现有模型进行基准比较412、222。具体地，可以使用测试数据对为被比较的模型提取的好的参数集的数量进行比较。更一般地，模型之间的比较可以基于一个或多个度量，诸如测试/归纳误差、模型复杂性以及从新模型中提取量子位参数的可靠性和归纳程度来进行。

可以重复步骤406、408、410和412，直到新模型在上述度量方面优于现有模型。在这种情况下，新模型替换模型堆栈206中的现有模型。

回归和分类示例

如上所述，量子位校准模型f(x,p)可以包括“玩具”模型(例如，从物理理论导出的)、或启发式模型、或使用如本文所述的监督学习开发的模型。x和p可以是任意尺寸的数组，这意味着校准数据可以具有任意尺寸，并且可以拟合任意数量的模型参数。在校准过程中，将模型f(x,p)与校准数据进行拟合，以确定最佳拟合参数p_fit。存储在参数堆栈208中的参数(即“提取的参数”)是与量子位相关的参数，其可以从p_fit推断。因此，存储在参数堆栈208中的参数集可以是p_fit的某个子集或者p_fit的某个子集的某个函数。

在许多情况下，拟合参数p_fit是“好”的，因为它们提取了关于量子位的正确信息。然而，在某些情况下，不良拟合会返回“坏”参数集，这可能会破坏校准工作流程。在某些情况下，校准数据中可能有在模型f(x,p)中没有考虑到、但在许多量子位的许多校准数据集中是一致的一些特征，这导致难以获得好的拟合。这些背景特征可能是由于玩具模型f(x,p)中没有包含的复杂效果，或者是有意的、或者仅仅是因为没有理解潜在的物理效应。

回归示例

图5示意性地示出了在拉比驱动校准中获得的信号的形式的校准数据。校准数据是通过改变控制线电压(电压1和电压2)的形式的硬件参数、然后测量读出脉冲的信号而获得的。基于现有模型期望区域A中显示的模式。因此，校准数据可以被拟合到现有模型以获得参数p1和p2。然后，参数p1可用于推断π脉冲幅度，参数p2可以用于推断量子位频率。区域B中所示的垂直线是由于高阶量子位级而产生的，这在现有模型中没有考虑。在区域C中显示的额外的线也没有在玩具模型中被考虑，并且与不可预见的物理或其他不可预见的影响相关。现有模型无法捕捉到的这种“缺陷”可能会导致从校准数据中准确提取参数的错误。然而，通过采用如本文所述的监督学习，可以细化现有模型以捕获这种“缺陷”，从而允许更可靠地提取量子位参数。此外，细化的模型可以使我们提取额外的参数p’₁，它与更高的量子位级有关。这种额外的提取可能使我们能够智能地播种或取代未来的校准，进一步改进整个校准程序。具体地，可以通过应用回归算法(例如，最小二乘回归或神经网络回归)，使用可以使用基展开方法生成的测试模型，来扰动地细化现有模型。

分类示例

图6示意性地示出了在量子位读出校准中获得的信号的形式的校准。校准数据是通过将量子位准备成它的一种状态(这用作标签)然后测量读出脉冲的电压平方(电压1和电压2)来获得的。校准数据包括标记点的至少两个“云”，并且校准包括确定分隔标记的一个或多个决策边界。在一个理想的情况下，云可能是相同的大小和圆形的，并且可以使用一个无关紧要的决策边界，例如垂直于连接云中心的线并且位于云中心之间的直线。然而，由于复杂的物理和/或其他缺陷，实际上这些云通常不是相同的大小，也不是圆形的。现有模型没有捕捉到的这种“缺陷”可能会导致对许多标记点进行错误分类的决策边界的提取。然而，通过采用如本文所述的监督学习，现有模型可以被细化以捕获这种“缺陷”，并导致错误分类更少点的更好决策边界的提取。例如，现有模型可以通过应用最小二乘分类和使用基展开方法生成的测试模型而被扰动地细化。

扰动方法和基展开方法

如上所述，监督学习可用于学习扰动g(x,w,p’)，该扰动捕获校准数据中不被包括在f(x,p)中的一致特征。细化的模型f’(x,p,w,p’)＝f(x,p)+g(x,w,p’)可以允许更可靠地提取量子位参数。这种扰动方法可以应用于回归和分类实例两者。对于回归，这些参数(例如，存储在“参数堆栈”中的参数集)仍然可以从f(x,p)中提取，而不是从g(x,w,p’)中提取(例如，量子位信息从p_fit中提取，而不是从p’_fit中提取)。为了分类，它们可以从f(x,p)+g(x,w,p’)的最佳拟合参数中提取。对于回归，扰动有助于模拟数据，而对于分类，扰动有助于更好地分离数据。对于回归，f’(x,p,w,p’)用作“回归函数”，而对于分类，它用作“鉴别函数”。

在一些实施例中，可以使用与监督学习算法相结合的基展开方法来找到细化的模型。这种方法可以应用于回归和分类实例。在基展开法中，增加了M个基扰动模型以得到总扰动：

g(x,w,p’)＝g(x,w,p’₁,…p’_M)＝Σ_m＝1 ^M w_m g_m(x,p’_m)

测试模型是通过将扰动添加到现有模型中获得的：

t(x,p,w,p’)＝f(x,p)+Σ_m＝1 ^M w_m g_m(x,p’_m)

·x–硬件参数的数组

·p–未扰动模型的参数的数组。

·p’＝(p’₁,…p’_M)-数组的数组。p’_i-第i基础模型的参数的数组。

·w＝(w₁,…w_M)-基本模型的权重。每个模型一个；

g_m(x,p’_m)可以对输入x和p’_m的任何线性或非线性组合应用任何线性、非线性或鉴别变换。例如：

·g_m(x,p’_m)＝p_m x_m(对于m＝1..dim(x))(线性模型)

·g_m(x,p’_m)＝Σ_ijkl p_ijkl x_i ^kx_j ^l

·g_m(x,p’_m)＝Σ_ijkl p_ijkl,0sin(p_ijkl,1x_i ^kx_j ^l+p_ijkl,2)

·g_m(x,p’_m)＝{如果f(x,p’_m)>k，则为a，否则为b}，对于任意a,b,k,

f(x,p’_m)

·请注意，基本模型通常可以实现输入变量的变换，以包括诸如x_i ^kx_j ^l＝

voltage_i ^k*phase_j ^l的变量

·请注意，p’_m可以对诸如p_ijkl的参数进行编码。

在学习阶段期间，为了控制细化的模型的复杂性，可以使用收缩、正则化、限制或选择方法中的一种或多种。

各种成本函数是可能的，例如，取决于监督学习算法。回归和分类的示例成本函数可以是以下形式：

C(w,p,p’)＝Σ_xΣ_i(S_i(x)-t(x,w,p,p’))²+λΛ(w)+λ’Λ’(p,p’)

这里i对训练数据进行索引，其信号是S_i(x)。学习模块216相对于w、p和p’最小化C(w,p,p’)，以找到：

然后，优化的基函数权重被用于构造细化的模型f’(x,p,w,p’)＝f(x,p)+g(x,w,p’)。通常，如果基函数的相应权重/>低于某个合理的阈值，则基函数可以被丢弃。优化的参数/>和/>通常不用于构造细化的模型，并且在细化的模型f’(x,p,w,p’)中不固定。事实上，p和p’是由拟合器在校准期间优化的参数。

为了控制细化的模型的复杂性，我们可以使用正则化，它由正则化参数λ和λ’以及相应的正则化函数Λ(w)和Λ’(p,p’)来控制。正则化参数可以在学习阶段期间使用验证数据和已建立的方法进行调整。在这个示例中，我们分别允许基函数权重w以及基函数和现有模型p’和p的参数的不同类型的正则化。L1正则化可用于基函数权重(Λ(w)＝Σ_m＝1 ^M|w_m|)。这是一种有吸引力的方法，因为它倾向于完全抵消不好地表示训练数据的扰动模型(即，通过将它们的最佳权重精确地设置为0)。如果学习算法试图通过一些明智选择的正则化函数Λ’(p,p’)收敛于超过合理硬件限制的参数p、p’上，则该学习算法也可能受到惩罚。

如上所述，扰动细化消除了“缺陷”(例如，与高阶量子位级相关的特征或由于不可预见但一致的效应而导致的特征),以使提取好的参数集更容易。在一些示例中，所学习的特征也可以与其他量子位参数相关联，从而允许智能地播种其他校准或完全取代其他校准。例如，在图5中，细化的模型还允许来自更高阶的量子位级的拟合参数p’₁。

举例来说，图7分别示出了用于回归校准的扰动方法和基展开方法。图7(a)是训练堆栈中的校准数据的图示性描绘。图7(b)显示了用于拟合校准数据以便提取一些量子位参数p1的现有校准模型f(x,p)。显然，数据相对于现有模型有一些一致的缺陷，这使得难以可靠地提取大规模的量子位参数p₁。如上所述，我们通过结合监督学习应用基展开方法来扰动地细化的模型。对于这个示例，扰动g(x,w,p’)包括图7(c)所示的三个基函数。测试模型由t(x,p,w,p’)＝f(x,p)+g(x,w,p’)给出。通过学习算法优化测试模型的参数。对于这个示例，学习算法可能发现只有第三基函数准确地表示训练数据(例如，只有w₃具有相当大的幅度，高于某个合理的阈值)。这使我们能够构造细化的模型f’(x,p,w,p’)＝f(x,p)+w₃g₃(x,p’)，然后可以与f(x,p)进行基准比较。就上面讨论的度量而言，如果细化的模型在测试数据上优于现有模型，那么它就成为模型堆栈中的现有模型。请注意，p₁可以从p_fit中提取，而不是从p_fit’中提取(例如，参数不是从扰动中提取的)。

以上描述的一些部分在算法和信息操作的符号表示方面呈现了本发明的特征。这些算法描述和表示是数据处理领域的技术人员用来最有效地向本领域的其他技术人员传达其工作实质的手段。这些操作虽然在功能上或逻辑上进行了描述，但应理解为由计算机程序实现。此外，就模块而言，对这些操作安排的引用不应被视为暗示结构限制，并且对功能名称的引用是示例性的，并不意味着丧失一般性。

本发明的某些方面包括这里以算法形式描述的过程步骤和指令。应当理解，所描述和要求保护的本发明的过程步骤、指令由在程序控制下操作的计算机硬件执行，而不是由人执行的精神步骤。类似地，所描述和要求保护的所有类型的数据都存储在由计算机系统操作的计算机可读存储介质中，而不是简单的脱离实体的抽象概念。此外，本发明没有参考任何特定的编程语言来描述。应当理解，可以使用多种编程语言来实现这里描述的本发明的教导。

本发明还涉及一种用于执行这里描述的计算操作的计算装置。该计算装置可以为所需目的而专门构造，或者它可以包括通用计算机，该通用计算机由存储在计算机可读介质上的计算机程序选择性地激活或重新配置，该计算机程序可以由该计算机执行。说明书中提到的计算装置可以包括单个处理器，或者可以是采用多处理器设计以提高计算能力的体系结构。

本说明书中描述的量子主题和量子操作的实现可以在合适的量子电路中实现，或者更一般地，在量子计算系统中实现，包括本说明书中公开的结构及其结构等价物，或者在它们中的一个或多个的组合中实现。术语“量子计算系统”可以包括但不限于量子计算机、量子信息处理系统、量子密码系统或量子模拟器。

术语量子信息和量子数据是指由量子系统携带、保存或存储的信息或数据，其中最小的非平凡系统是量子位，例如定义量子信息单位的系统。应当理解，术语“量子位”包括在相应的上下文中可以适当地近似为两级系统的所有量子系统。这种量子系统可以包括多级系统，例如具有两级或更多级的系统。举例来说，这样的系统可以包括原子、电子、光子、离子或超导量子位。在许多实现中，计算基状态用基态和第一激发态来标识，然而，应当理解，计算状态用更高级别的激发态来标识的其他设置也是可能的。应当理解，量子存储器是能够以高保真度和高效率长时间存储量子数据的设备，例如光-物质界面，其中光用于传输，物质用于存储和保存量子数据的量子特征、例如叠加或量子相干。

量子电路元件可以用于执行量子处理操作。也就是说，量子电路元件可以被配置成利用量子力学现象，例如叠加和纠缠，以非确定性方式对数据执行操作。某些量子电路元件，例如量子位，可以被配置为同时表示和操作一个以上状态的信息。可以用本文公开的工艺形成的超导量子电路元件的示例包括电路元件，例如共面波导、量子LC振荡器、量子位(例如，通量量子位或电荷量子位)、超导量子干涉器件(Superconducting QuantumInterference Device，SQUID)(例如，RF-SQUID或DCSQUID)、电感器、电容器、传输线、接地层等等。

相比之下，传统电路元件通常以确定的方式处理数据。经典电路元件可以被配置成通过对数据执行基本的算术、逻辑和/或输入/输出操作来共同执行计算机程序的指令，其中数据以模拟或数字形式表示。在一些实施方式中，经典电路元件可用于通过电或电磁连接向量子电路元件传输数据和/或从量子电路元件接收数据。可以用本文公开的工艺形成的经典电路元件的示例包括快速单通量量子(Rapid Single Flux Quantum，RSFQ)器件、互易量子逻辑(Reciprocal Quantum Logic，RQL)器件和ERSFQ器件，它们是不使用偏置电阻器的RSFQ的节能版本。也可以用这里公开的工艺形成其他经典电路元件。

在使用超导量子电路元件和/或超导经典电路元件(例如，本文所述的电路元件)的量子计算系统的操作期间，超导电路元件在低温恒温器中冷却到允许超导体材料表现出超导特性的温度。

尽管本说明书包含许多具体的实现细节，但这些细节不应被解释为对所要求保护的范围的限制，而是对特定实现的特征的描述。本说明书中在单独实现的上下文中描述的某些特征也可以在单个实现中组合实现。相反，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合在多个实现中实现。此外，尽管特征可以在上面被描述为在某些组合中起作用，甚至最初也是这样要求保护的，但是在某些情况下，来自所要求保护的组合的一个或多个特征可以从该组合中删除，并且所要求保护的组合可以针对子组合或子组合的变体。

类似地，尽管在附图中以特定的顺序描绘了操作，但是这不应该被理解为要求以所示的特定顺序或顺序执行这些操作，或者执行所有示出的操作，以获得期望的结果。例如，权利要求中列举的动作可以以不同的顺序执行，并且仍然获得期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实现中的各种组件的分离不应被理解为在所有实现中都需要这样的分离。

已经描述了许多实施方式。然而，应当理解，在以下权利要求的范围内可以进行各种修改。

Claims (12)

1.一种用于校准物理量子位的自动量子位校准方法，包括：

对一个或多个物理量子位执行校准以获得校准数据集和相应的提取的参数集，其中执行每个校准包括：

从包括一个或多个物理量子位的系统获得校准数据集；

从多个存储的量子位校准模型中选择对应于所述校准数据集的量子位校准模型；

确定一个或多个提取的参数，包括使用拟合算法将所选择的量子位校准模型的一个或多个参数拟合到所述校准数据集；以及

存储所述一个或多个提取的参数，以及

细化所述存储的量子位校准模型中的一个，包括：

在学习模块处接收训练数据，其中所述训练数据包括：

多个校准数据集，其中每个校准数据集源自所述系统；

多个参数集，每个参数集包括使用相应的校准数据集获得的提取的参数，其中提取所述参数包括使用拟合算法将模型拟合到相应的校准数据集；

在所述学习模块处执行监督机器学习算法，所述监督机器学习算法处理所述训练数据以学习对所述存储的量子位校准模型的扰动，所述量子位校准模型捕获所述多个校准数据集中没有被所述量子位校准模型捕获的一个或多个特征，从而提供细化的量子位校准模型，

比较所述细化的量子位校准模型和所述存储的量子位校准模型的性能，以及

根据所述比较，用所述细化的量子位校准模型替换所述存储的量子位校准模型。

2.根据权利要求1所述的方法，其中所述细化的量子位校准模型由f’(x,p,p’)＝f(x,p)+g(x,p’)给出，其中f(x,p)是模型，并且g(x,p’)是扰动函数，其中x表示一个或多个硬件参数，p表示一个或多个模型参数，并且p’表示扰动函数的参数。

3.根据权利要求2所述的方法，其中，使用基展开方法确定所述扰动。

4.根据权利要求1所述的方法，其中所述监督机器学习算法包括基于线性或非线性最小二乘回归或者神经网络的线性或非线性回归算法。

5.根据权利要求1所述的方法，其中所述监督机器学习算法包括机器学习分类器，其中所述训练数据的每个参数集定义至少一个决策边界，所述决策边界定义一组或多组校准数据点之间的边界。

6.根据权利要求1所述的方法，其中所述学习模块采用收缩、正则化、限制或选择方法中的一种或多种。

7.根据权利要求1所述的方法，包括基于测试和/或归纳误差以及模型复杂度中的至少一个，将所述细化的量子位校准模型与所述存储的量子位校准模型进行比较。

8.根据权利要求1所述的方法，其中所述量子位是基于以下至少一个的系统：超导量子位、基于一个或多个离子阱的系统、量子点、中性原子、里德堡态、固态缺陷、分子或光子。

9.根据权利要求1所述的方法，还包括：

使用多个相应的细化的量子位校准模型来执行多个校准；以及

进一步细化所述细化的量子位校准模型中的一个或多个。

10.根据权利要求1所述的方法，其中所述训练数据还包括关于所述参数集是否正确描述或能够正确描述量子位的行为的指示符，其中所述指示符是基于所述参数集中的一个或多个参数是否落在一个或多个硬件定义的限制内而确定的。

11.根据权利要求1所述的方法，还包括使用由f’(x,p,p’)＝f(x,p)+g(x,p’)给出的细化的模型来执行校准，其中f(x,p)是模型，并且g(x,p’)是扰动函数，其中x表示一个或多个硬件参数，p表示一组模型参数，并且p’表示扰动的参数，其中使用所述细化的模型来执行所述校准包括：

从包括量子位的系统获得校准数据集；

使用拟合算法将所述细化的模型的参数p、p’中的一个或多个拟合到所述校准数据集，以获得对应于所述校准数据集的一个或多个拟合参数p_fit、p’_fit；

使用拟合参数p_fit获得对应于所述校准数据集的提取的参数集；以及

存储提取的参数集的至少一部分。

12.一种用于校准物理量子位的装置，被配置为执行根据前述权利要求中任一项所述的方法。