Optimal post-processing for a generic single-shot qubit readout
Notice bibliographique
Résumé
We analyze three different post-processing methods applied to a single-shot qubit readout: the average-signal (boxcar filter), peak-signal, and maximum-likelihood methods. In contrast to previous work, we account for a stochastic turn-on time ${t}_{i}$ associated with the leading edge of a pulse signaling one of the qubit states. This model is relevant to spin-qubit readouts based on spin-to-charge conversion and would be generically reached in the limit of large signal-to-noise ratio $r$ for several other physical systems, including fluorescence-based readouts of ion-trap qubits and nitrogen-vacancy center spins. We derive analytical closed-form expressions for the conditional probability distributions associated with the peak-signal and boxcar filters. For the boxcar filter, we find an asymptotic scaling of the single-shot error rate $\ensuremath{\varepsilon}\ensuremath{\sim}lnr/\sqrt{r}$ when ${t}_{i}$ is stochastic, in contrast to the result $\ensuremath{\varepsilon}\ensuremath{\sim}lnr/r$ for deterministic ${t}_{i}$. Consequently, the peak-signal method outperforms the boxcar filter significantly when ${t}_{i}$ is stochastic, but is only marginally better for deterministic ${t}_{i}$ (a result that is consistent with the widespread use of the boxcar filter for fluorescence-based readouts and the peak signal for spin-to-charge conversion). We generalize the theoretically optimal maximum-likelihood method to stochastic ${t}_{i}$ and show numerically that a stochastic turn-on time ${t}_{i}$ will always result in a larger single-shot error rate. Based on this observation, we propose a general strategy to improve the quality of single-shot readouts by forcing ${t}_{i}$ to be deterministic.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».