論文の概要: Machine learning enables completely automatic tuning of a quantum device
faster than human experts
- arxiv url: http://arxiv.org/abs/2001.02589v1
- Date: Wed, 8 Jan 2020 15:58:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 10:09:14.435306
- Title: Machine learning enables completely automatic tuning of a quantum device
faster than human experts
- Title（参考訳）: 機械学習は、人間の専門家よりも早く量子デバイスを完全に自動チューニングできる
- Authors: H. Moon, D.T. Lennon, J. Kirkpatrick, N.M. van Esbroeck, L.C.
Camenzind, Liuqi Yu, F. Vigneau, D.M. Zumb\"uhl, G.A.D. Briggs, M.A Osborne,
D. Sejdinovic, E.A. Laird, and N. Ares
- Abstract要約: デバイス可変性は、半導体量子デバイスのスケーラビリティのボトルネックである。
数個のモデル仮定を用いて,このパラメータ空間全体をナビゲートする統計的チューニングアルゴリズムを実証する。
これは、量子デバイスのパラメータ空間を探索し最適化するために機械学習技術を使用することの、重要な実証である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Device variability is a bottleneck for the scalability of semiconductor
quantum devices. Increasing device control comes at the cost of a large
parameter space that has to be explored in order to find the optimal operating
conditions. We demonstrate a statistical tuning algorithm that navigates this
entire parameter space, using just a few modelling assumptions, in the search
for specific electron transport features. We focused on gate-defined quantum
dot devices, demonstrating fully automated tuning of two different devices to
double quantum dot regimes in an up to eight-dimensional gate voltage space. We
considered a parameter space defined by the maximum range of each gate voltage
in these devices, demonstrating expected tuning in under 70 minutes. This
performance exceeded a human benchmark, although we recognise that there is
room for improvement in the performance of both humans and machines. Our
approach is approximately 180 times faster than a pure random search of the
parameter space, and it is readily applicable to different material systems and
device architectures. With an efficient navigation of the gate voltage space we
are able to give a quantitative measurement of device variability, from one
device to another and after a thermal cycle of a device. This is a key
demonstration of the use of machine learning techniques to explore and optimise
the parameter space of quantum devices and overcome the challenge of device
variability.
- Abstract（参考訳）: デバイス変動は、半導体量子デバイスのスケーラビリティのボトルネックである。
デバイス制御の増大は、最適な動作条件を見つけるために探索しなければならない大きなパラメータ空間のコストが伴う。
電子輸送特性の探索において,このパラメータ空間全体を,わずかにモデル化された仮定を用いて移動させる統計的チューニングアルゴリズムを実証する。
ゲート定義された量子ドットデバイスに注目し,8次元ゲート電圧空間における2つの量子ドットレジームの完全自動調整を実証した。
これらの装置では,各ゲート電圧の最大範囲で定義されたパラメータ空間を考慮し,70分以内のチューニングを期待できることを示した。
この性能は人間のベンチマークを超えましたが、人間と機械の両方のパフォーマンスを改善する余地があることを認識します。
本手法は,パラメータ空間のランダムな探索よりも約180倍高速であり,様々な材料システムやデバイスアーキテクチャに適用可能である。
ゲート電圧空間の効率的なナビゲーションにより、デバイスの温度サイクルの後に、あるデバイスから別のデバイスへのデバイス変動を定量的に測定することができる。
これは、量子デバイスのパラメータ空間を探索し最適化し、デバイス変動の課題を克服するために機械学習技術を使用する重要な例である。
関連論文リスト
- QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Rapid cryogenic characterisation of 1024 integrated silicon quantum dots [0.6819010383838326]
1024個のシリコン量子ドットとオンチップのデジタルおよびアナログエレクトロニクスの統合を実証し、1K以下で動作した。
量子ドットパラメータは、高速自動機械学習ルーチンによって抽出され、量子ドットの収量を評価し、デバイス設計の影響を理解する。
その結果、シリコン量子デバイスの高速な大規模研究が、現在の探査技術よりも低い温度と測定速度で実施できることが示されている。
論文 参考訳（メタデータ） (2023-10-31T13:14:43Z) - Optimizing quantum gates towards the scale of logical qubits [78.55133994211627]
量子ゲート理論の基本的な前提は、量子ゲートはフォールトトレランスの誤差閾値を超えることなく、大きなプロセッサにスケールできるということである。
ここでは、このような問題を克服できる戦略について報告する。
我々は、68個の周波数可変ビットの周波数軌跡をコレオグラフィーして、超伝導エラー中に単一量子ビットを実行することを示した。
論文 参考訳（メタデータ） (2023-08-04T13:39:46Z) - Majorization-based benchmark of the complexity of quantum processors [105.54048699217668]
我々は、様々な量子プロセッサの動作を数値的にシミュレートし、特徴付ける。
我々は,各デバイスの性能をベンチマークラインと比較することにより,量子複雑性を同定し,評価する。
我々は、回路の出力状態が平均して高い純度である限り、偏化ベースのベンチマークが成り立つことを発見した。
論文 参考訳（メタデータ） (2023-04-10T23:01:10Z) - Measurement-induced entanglement and teleportation on a noisy quantum
processor [105.44548669906976]
最大70個の超伝導量子ビット上の測定誘起量子情報相について検討した。
二重性マッピングを用いて、中間回路の測定を回避し、基礎となる位相の異なる表現にアクセスする。
我々の研究は、現在のNISQプロセッサの限界であるスケールでの計測誘起物理を実現するためのアプローチを示す。
論文 参考訳（メタデータ） (2023-03-08T18:41:53Z) - Sample-efficient verification of continuously-parameterized quantum
gates for small quantum processors [0.0]
小型量子プロセッサにおける量子ゲートのサンプル効率検証手法を実証する。
本手法により得られた忠実度推定は, クロスエントロピー・ベンチマークにより得られた忠実度推定よりも分散度が低いことを示す。
これは、ある所望の精度で忠実度損失を推定する際に、サンプル効率に実験的に関係する利点を与える。
論文 参考訳（メタデータ） (2022-05-25T22:52:23Z) - Dynamical learning of a photonics quantum-state engineering process [48.7576911714538]
実験的な高次元量子状態の工学は、いくつかの量子情報プロトコルにとって重要な課題である。
我々は、フォトニック軌道Angular Momentum(OAM)ステートを設計するための自動適応最適化プロトコルを実装した。
このアプローチは、量子情報プロトコルや技術のためのノイズの多い実験タスクを自動最適化するための強力なツールである。
論文 参考訳（メタデータ） (2022-01-14T19:24:31Z) - Cross-architecture Tuning of Silicon and SiGe-based Quantum Devices
Using Machine Learning [0.0]
我々は,SiおよびSiGeデバイスをスクラッチから調整できるアルゴリズムを開発した。
調整時間は30分10分92分である。
論文 参考訳（メタデータ） (2021-07-27T17:42:57Z) - Ray-based framework for state identification in quantum dot devices [0.0]
多次元パラメータ空間におけるデバイス応答の1次元投影に依存する計測手法を提案する。
レイベース分類(RBC)フレームワークとして、この機械学習(ML)アプローチを使用して、QD状態の分類器を実装します。
RBCは画像に基づく分類手法の実験的実装から82%の精度ベンチマークを超越していることを示す。
論文 参考訳（メタデータ） (2021-02-23T16:38:05Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-28T17:21:25Z) - Quantum device fine-tuning using unsupervised embedding learning [0.0]
我々は,複数のデバイスパラメータを同時に微調整できるアルゴリズムを実験的に実証した。
約40分以内に二重量子ドットデバイスの微調整時間を報告した。
論文 参考訳（メタデータ） (2020-01-13T17:18:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。