論文の概要: Evaluation of synthetic and experimental training data in supervised
machine learning applied to charge state detection of quantum dots
- arxiv url: http://arxiv.org/abs/2005.08131v1
- Date: Sat, 16 May 2020 23:41:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-20 01:12:03.278082
- Title: Evaluation of synthetic and experimental training data in supervised
machine learning applied to charge state detection of quantum dots
- Title（参考訳）: 量子ドットの電荷状態検出に適用した教師付き機械学習における合成および実験学習データの評価
- Authors: Jana Darulova, Matthias Troyer, Maja C. Cassidy
- Abstract要約: シミュレーションおよび実験データに基づいて学習した機械学習モデルの予測精度を評価する。
分類器は、純粋に実験的なデータと、合成訓練データと実験訓練データの組み合わせの両方で最適であることがわかった。
- 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: Automated tuning of gate-defined quantum dots is a requirement for large
scale semiconductor based qubit initialisation. An essential step of these
tuning procedures is charge state detection based on charge stability diagrams.
Using supervised machine learning to perform this task requires a large dataset
for models to train on. In order to avoid hand labelling experimental data,
synthetic data has been explored as an alternative. While providing a
significant increase in the size of the training dataset compared to using
experimental data, using synthetic data means that classifiers are trained on
data sourced from a different distribution than the experimental data that is
part of the tuning process. Here we evaluate the prediction accuracy of a range
of machine learning models trained on simulated and experimental data and their
ability to generalise to experimental charge stability diagrams in two
dimensional electron gas and nanowire devices. We find that classifiers perform
best on either purely experimental or a combination of synthetic and
experimental training data, and that adding common experimental noise
signatures to the synthetic data does not dramatically improve the
classification accuracy. These results suggest that experimental training data
as well as realistic quantum dot simulations and noise models are essential in
charge state detection using supervised machine learning.
- Abstract（参考訳）: ゲート定義量子ドットの自動チューニングは、大規模半導体ベースの量子ビット初期化の要求である。
これらのチューニング手順の重要なステップは、電荷安定図に基づく電荷状態検出である。
このタスクを実行するために教師付き機械学習を使用するには、モデルをトレーニングするための大きなデータセットが必要である。
実験データのラベル付けを避けるため, 合成データを代替として検討している。
実験データに比べてトレーニングデータセットのサイズが大幅に大きくなる一方で、合成データを使用することで、分類器はチューニングプロセスの一部である実験データとは異なる分布から得られたデータに基づいて訓練される。
本研究では,シミュレーションおよび実験データに基づいて学習した機械学習モデルの予測精度と,二次元電子ガスおよびナノワイヤ素子の電荷安定図を一般化する能力を評価する。
分類器は, 純粋に実験的, あるいは合成的, 実験的な訓練データの組み合わせで最適であり, 合成データに共通の実験ノイズシグネチャを付加しても, 分類精度は劇的に向上しないことがわかった。
これらの結果から,教師付き機械学習を用いたチャージ状態検出には,実験訓練データだけでなく,現実的な量子ドットシミュレーションやノイズモデルが不可欠であることが示唆された。
関連論文リスト
- Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Post-training Model Quantization Using GANs for Synthetic Data
Generation [57.40733249681334]
量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。
本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
論文 参考訳（メタデータ） (2023-05-10T11:10:09Z) - Trustworthiness of Laser-Induced Breakdown Spectroscopy Predictions via
Simulation-based Synthetic Data Augmentation and Multitask Learning [4.633997895806144]
レーザ誘起分解分光法を用いてスペクトルデータの定量的解析を行う。
我々は、利用可能なトレーニングデータの小さなサイズと、未知のデータに対する推論中の予測の検証に対処する。
論文 参考訳（メタデータ） (2022-10-07T18:00:09Z) - SynBench: Task-Agnostic Benchmarking of Pretrained Representations using
Synthetic Data [78.21197488065177]
近年、下流のタスクで大規模なデータで事前訓練された微調整大型モデルが成功し、ディープラーニングにおける重要なパラダイムシフトにつながった。
本稿では,合成データを用いて事前学習した表現の質を測定するためのタスク非依存フレームワークであるtextitSynBenchを提案する。
論文 参考訳（メタデータ） (2022-10-06T15:25:00Z) - BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot
Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。
提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。
実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文 参考訳（メタデータ） (2022-07-27T09:26:15Z) - CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep
Learning [55.733193075728096]
現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。
サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。
本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
論文 参考訳（メタデータ） (2022-02-11T13:49:51Z) - MLReal: Bridging the gap between training on synthetic data and real
data applications in machine learning [1.9852463786440129]
本稿では,実際のデータ特徴を持つ合成データの教師付きトレーニングを強化するための新しいアプローチについて述べる。
トレーニング段階では、入力データは合成ドメインから、自動相関データは実ドメインからである。
推論/アプリケーション段階では、入力データは実サブセットドメインからであり、自己相関区間の平均は合成データサブセットドメインからである。
論文 参考訳（メタデータ） (2021-09-11T14:43:34Z) - Bias-Aware Loss for Training Image and Speech Quality Prediction Models
from Multiple Datasets [13.132388683797503]
学習中の各データセットのバイアスを線形関数で推定するバイアス認識損失関数を提案する。
合成および主観的画像および音声品質データセットにおける品質予測モデルの訓練と検証により,提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-04-20T19:20:11Z) - Cognitive simulation models for inertial confinement fusion: Combining
simulation and experimental data [0.0]
研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。
より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。
本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
論文 参考訳（メタデータ） (2021-03-19T02:00:14Z) - Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。
本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。
実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文 参考訳（メタデータ） (2020-07-31T17:25:12Z)
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。