論文の概要: Miniaturizing neural networks for charge state autotuning in quantum dots

• arxiv url: http://arxiv.org/abs/2101.03181v3
• Date: Tue, 30 Nov 2021 14:52:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 08:18:35.090296
• Title: Miniaturizing neural networks for charge state autotuning in quantum dots
• Title（参考訳）: 量子ドットにおける電荷状態自動チューニングのためのニューラルネットワークの小型化
• Authors: Stefanie Czischek, Victor Yon, Marc-Antoine Genest, Marc-Antoine Roux, Sophie Rochette, Julien Camirand Lemyre, Mathieu Moras, Michel Pioro-Ladri\`ere, Dominique Drouin, Yann Beilliard, Roger G. Melko
• Abstract要約: 我々は、量子ドット安定性図の電荷状態遷移を検出するために使用できる小さなフィードフォワードニューラルネットワークを開発した。 これらのニューラルネットワークは、コンピュータシミュレーションによって生成された合成データに基づいてトレーニングすることができ、実験装置を所望の電荷状態にチューニングするタスクに頑健に移行可能であることを実証する。 これは、将来の量子ドットコンピュータにおけるオンチップ自動チューニングに向けた重要なステップである、低消費電力ハードウェア上での強力な制御要素の小型化の可能性を開く。
• 参考スコア（独自算出の注目度）: 0.2673052070464623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key challenge in scaling quantum computers is the calibration and control of multiple qubits. In solid-state quantum dots, the gate voltages required to stabilize quantized charges are unique for each individual qubit, resulting in a high-dimensional control parameter space that must be tuned automatically. Machine learning techniques are capable of processing high-dimensional data - provided that an appropriate training set is available - and have been successfully used for autotuning in the past. In this paper, we develop extremely small feed-forward neural networks that can be used to detect charge-state transitions in quantum dot stability diagrams. We demonstrate that these neural networks can be trained on synthetic data produced by computer simulations, and robustly transferred to the task of tuning an experimental device into a desired charge state. The neural networks required for this task are sufficiently small as to enable an implementation in existing memristor crossbar arrays in the near future. This opens up the possibility of miniaturizing powerful control elements on low-power hardware, a significant step towards on-chip autotuning in future quantum dot computers.
• Abstract（参考訳）: 量子コンピュータのスケールにおける重要な課題は、複数の量子ビットのキャリブレーションと制御である。 固体量子ドットでは、量子化電荷の安定化に必要なゲート電圧は個々の量子ビットごとにユニークであり、自動的にチューニングされなければならない高次元の制御パラメータ空間となる。 機械学習技術は、適切なトレーニングセットが利用可能であることを保証された高次元データを処理することができる。 本稿では,量子ドット安定性図の電荷状態遷移を検出するために,非常に小さなフィードフォワードニューラルネットワークを開発する。 これらのニューラルネットワークをコンピュータシミュレーションによって生成された合成データに基づいてトレーニングし、実験装置を所望の充電状態にチューニングするタスクにロバストに転送できることを実証する。 このタスクに必要なニューラルネットワークは、近い将来に既存のmemristorクロスバーアレイの実装を可能にするために十分に小さい。 これは低消費電力ハードウェア上で強力な制御要素を小型化する可能性を開き、将来の量子ドットコンピュータにおけるオンチップの自動チューニングへの大きな一歩となる。

関連論文リスト

• Preparing Schrödinger cat states in a microwave cavity using a neural network [0.0]
  量子状態全体に対して最適化された制御パルスを出力するようにニューラルネットワークに教えることが可能であることを示す。 結果は、ディープニューラルネットワークとトランスファーラーニングが、様々な量子制御タスクに対する効率的な同時解をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2024-09-09T12:28:02Z)
• Training-efficient density quantum machine learning [2.918930150557355]
  量子機械学習は強力でフレキシブルで効率的にトレーニング可能なモデルを必要とする。 トレーニング可能なユニタリの集合にランダム化を組み込んだ学習モデルである密度量子ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-30T16:40:28Z)
• Quantum networks with neutral atom processing nodes [0.42970700836450487]
  量子ノードのメッシュ上の共有絡み合いを提供する量子ネットワークは、量子情報科学の分野に革命をもたらす。 個々の中性原子による最近の実験的進歩は、そのようなネットワークの重要な構成要素を実装する高い可能性を示している。 我々は、中性原子処理ノードからなる大規模量子ネットワークにおける機能要件といくつかの例について述べる。
  論文  参考訳（メタデータ） (2023-04-04T19:34:13Z)
• 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)
• Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits at Exascale [57.84751206630535]
  本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。 新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。 ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
  論文  参考訳（メタデータ） (2021-04-21T13:26:42Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)
• SeQUeNCe: A Customizable Discrete-Event Simulator of Quantum Networks [53.56179714852967]
  この研究は、包括的でカスタマイズ可能な量子ネットワークシミュレータであるSeQUeNCeを開発した。 本研究では,9つのルータに量子メモリを具備したフォトニック量子ネットワークをシミュレートし,SeQUeNCeの利用を実証する。 オープンソースツールとしてSeQUeNCeをリリースしています。
  論文  参考訳（メタデータ） (2020-09-25T01:52:15Z)
• End-to-End Quantum Machine Learning Implemented with Controlled Quantum Dynamics [0.9599644507730106]
  この研究は、ハードウェアフレンドリーなエンドツーエンドの量子機械学習スキームを示し、不完全な短期中規模量子(NISQ)プロセッサで実装できる。 この提案では,機械学習タスクを制御量子力学の最適化に変換し,学習モデルを実験的に調整可能な制御変数によってパラメータ化する。 我々の設計では、エージェント制御変数を介して生の入力を量子状態に符号化することで、自動的な特徴選択を可能にする。
  論文  参考訳（メタデータ） (2020-03-30T17:44:51Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)
• Quantum implementation of an artificial feed-forward neural network [0.0]
  本研究では,最先端の超伝導量子プロセッサ上に実装された人工フィードフォワードニューラルネットワークを実験的に実現した。 このネットワークは量子人工ニューロンで構成されており、記憶容量の潜在的な利点を個別に示す。 このネットワークは、古典的な制御か、完全に一貫性のある方法で等価に動作可能であることを実証する。
  論文  参考訳（メタデータ） (2019-12-28T16:49:19Z)

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。