Fugu-MT 論文翻訳(概要): Optimization of Quantum-dot Qubit Fabrication via Machine Learning

論文の概要: Optimization of Quantum-dot Qubit Fabrication via Machine Learning

arxiv url: http://arxiv.org/abs/2012.08653v1
Date: Tue, 15 Dec 2020 22:30:49 GMT
ステータス: 処理完了
システム内更新日: 2023-04-20 18:46:27.397581
Title: Optimization of Quantum-dot Qubit Fabrication via Machine Learning
Title（参考訳）: 機械学習による量子ドット量子ビット生成の最適化
Authors: Antonio B. Mei, Ivan Milosavljevic, Amanda L. Simpson, Valerie A. Smetanka, Colin P. Feeney, Shay M. Seguin, Sieu D. Ha, Wonill Ha, Matthew D. Reed
Abstract要約: 我々は、インライン走査型電子顕微鏡を解釈するために畳み込みニューラルネットワークを訓練する。この戦略は、5次元の設計空間内でモデルリソグラフィープロセスの最適化によって実証される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Precise nanofabrication represents a critical challenge to developing semiconductor quantum-dot qubits for practical quantum computation. Here, we design and train a convolutional neural network to interpret in-line scanning electron micrographs and quantify qualitative features affecting device functionality. The high-throughput strategy is exemplified by optimizing a model lithographic process within a five-dimensional design space and by demonstrating a new approach to address lithographic proximity effects. The present results emphasize the benefits of machine learning for developing robust processes, shortening development cycles, and enforcing quality control during qubit fabrication.
Abstract（参考訳）: 精密ナノファブリケーションは、実用的な量子計算のために半導体量子ドット量子ビットを開発するための重要な課題である。ここでは,畳み込みニューラルネットワークを設計・訓練し,走査型電子マイクログラフを解釈し,デバイス機能に影響を与える質的特徴を定量化する。 5次元設計空間内でモデルリソグラフィプロセスを最適化し、リソグラフィ効果に対処するための新しいアプローチを示すことにより、高スループット戦略を例示する。本結果は、堅牢なプロセスの開発、開発サイクルの短縮、キュービット製造における品質管理の強化における機械学習の利点を強調した。

関連論文リスト

Experimental demonstration of reconstructing quantum states with generative models [0.44600863117978684]
本稿では,プログラム可能な超伝導トランスモン量子ビットの配列を用いたニューラルネットワーク生成モデルに基づく量子状態の再構成実験を行った。本研究は、複雑な量子デバイスを検証・特徴化するための機械学習技術を活用した興味深い可能性について実験的に示すものである。
論文参考訳（メタデータ） (2024-07-21T09:44:05Z)
Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers [0.9374652839580181]
最初の考慮事項の1つは、量子機械学習モデル自体の設計である。最近の研究は、スピードアップによる量子アドバンテージが量子機械学習の正しい目標かどうかを疑問視し始めた。本稿では,古典的なディープラーニングアルゴリズムの設計を量子ニューラルネットワークの設計に取り入れることで,代替手法を提案する。
論文参考訳（メタデータ） (2024-07-19T06:31:22Z)
Neural auto-designer for enhanced quantum kernels [59.616404192966016]
本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
論文参考訳（メタデータ） (2024-01-20T03:11:59Z)
Evolutionary-enhanced quantum supervised learning model [0.0]
本研究は,進化的アンサッツフリー教師あり学習モデルを提案する。パラメタライズド回路とは対照的に、われわれのモデルはエリート的手法によって進化する可変位相を持つ回路を用いる。我々のフレームワークは不毛の台地を避けることに成功し、結果としてモデルの精度が向上した。
論文参考訳（メタデータ） (2023-11-14T11:08:47Z)
On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks [52.97107229149988]
エッジデバイス上でハードウェア対応の混合精度量子化を行うOn-Chipハードウェア・アウェア量子化フレームワークを提案する。このパイプラインは、量子化プロセスが量子化演算子の実際のハードウェア効率を知覚することを可能にする。精度測定のために,マルチチップシナリオにおける演算子の精度への影響を効果的に推定するMask-Guided Quantization Estimation技術を提案する。
論文参考訳（メタデータ） (2023-09-05T04:39:34Z)
Improved Tomographic Estimates by Specialised Neural Networks [0.0]
ニューラルネットワーク(NN)は、畳み込み段階を含むことにより、パラメータのトモグラフィー推定を改善することができることを示す。シミュレーションデータのみを用いてネットワークをトレーニングすることにより,安定かつ信頼性の高い操作が実現可能であることを示す。
論文参考訳（メタデータ） (2022-11-21T17:15:23Z)
Post-Training Quantization for Vision Transformer [85.57953732941101]
本稿では,視覚変換器のメモリ記憶量と計算コストを削減するための学習後量子化アルゴリズムを提案する。約8ビット量子化を用いて、ImageNetデータセット上でDeiT-Bモデルを用いて81.29%のトップ-1の精度を得ることができる。
論文参考訳（メタデータ） (2021-06-27T06:27:22Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文参考訳（メタデータ） (2021-05-06T02:22:23Z)
Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。