論文の概要: Toward Robust Autotuning of Noisy Quantum Dot Devices

• arxiv url: http://arxiv.org/abs/2108.00043v1
• Date: Fri, 30 Jul 2021 19:02:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 15:03:16.542289
• Title: Toward Robust Autotuning of Noisy Quantum Dot Devices
• Title（参考訳）: 雑音量子ドットデバイスのロバスト自動チューニングに向けて
• Authors: Joshua Ziegler, Thomas McJunkin, E. S. Joseph, Sandesh S. Kalantre, Benjamin Harpt, D. E. Savage, M. G. Lagally, M. A. Eriksson, Jacob M. Taylor, Justyna P. Zwolak
• Abstract要約: 量子ドット(QD)デバイスに対する現在の自動チューニングアプローチは、データの信頼性の評価を欠いている。 これにより、ノイズの多いデータが自律システムによって処理される場合、予期せぬ障害が発生する。 本稿では、機械学習(ML)状態分類器とデータ品質制御モジュールを組み合わせたQDデバイスの堅牢な自動チューニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.10889448277664004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The current autotuning approaches for quantum dot (QD) devices, while showing some success, lack an assessment of data reliability. This leads to unexpected failures when noisy data is processed by an autonomous system. In this work, we propose a framework for robust autotuning of QD devices that combines a machine learning (ML) state classifier with a data quality control module. The data quality control module acts as a ``gatekeeper'' system, ensuring that only reliable data is processed by the state classifier. Lower data quality results in either device recalibration or termination. To train both ML systems, we enhance the QD simulation by incorporating synthetic noise typical of QD experiments. We confirm that the inclusion of synthetic noise in the training of the state classifier significantly improves the performance, resulting in an accuracy of 95.1(7) % when tested on experimental data. We then validate the functionality of the data quality control module by showing the state classifier performance deteriorates with decreasing data quality, as expected. Our results establish a robust and flexible ML framework for autonomous tuning of noisy QD devices.
• Abstract（参考訳）: 量子ドット(QD)デバイスに対する現在の自動チューニングアプローチは、いくつかの成功を見せながら、データの信頼性の評価を欠いている。 これにより、ノイズの多いデータが自律システムによって処理される場合、予期せぬ障害が発生する。 本稿では、機械学習(ml)状態分類器とデータ品質制御モジュールを組み合わせた、qdデバイスのロバストな自動チューニングのためのフレームワークを提案する。 データ品質管理モジュールは ``gatekeeper'' システムとして動作し、信頼できるデータのみが状態分類器によって処理されることを保証する。 データ品質の低下は、デバイスの再校正または終了をもたらす。 両MLシステムの学習には,QD実験の典型的な合成ノイズを取り入れてQDシミュレーションを強化する。 本研究では, 状態分類器の訓練における合成雑音の影響が性能を著しく改善し, 実験データ上での精度は95.1(7) %であることを確認した。 次に,データ品質の低下に伴う状態分類器の性能低下を示すことによって,データ品質制御モジュールの機能を検証する。 ノイズの多いQDデバイスの自律的チューニングのための,堅牢で柔軟なMLフレームワークを構築した。

関連論文リスト

• Human-in-the-loop Reinforcement Learning for Data Quality Monitoring in Particle Physics Experiments [0.0]
  本稿では,データ品質モニタリングプロセスを自動化するために,人間によるループ強化学習を適用するための概念実証を提案する。 人間の分類におけるランダムな非バイアスノイズが低減され,ベースラインの精度が向上することを示す。
  論文  参考訳（メタデータ） (2024-05-24T12:52:46Z)
• QDA$^2$: A principled approach to automatically annotating charge stability diagrams [1.2437226707039448]
  ゲート定義半導体量子ドット(QD)アレイは量子コンピューティングのための有望なプラットフォームである。 大きな構成空間と固有のノイズは、QDデバイスのチューニングを非自明なタスクにする。 QD auto-annotatorは、実験的に得られたデータの自動解釈とラベル付けのための古典的なアルゴリズムである。
  論文  参考訳（メタデータ） (2023-12-18T13:52:18Z)
• Machine Learning Data Suitability and Performance Testing Using Fault Injection Testing Framework [0.0]
  本稿では,入力データ(FIUL-Data)テストフレームワークにおける望ましくない学習のためのフォールトインジェクションを提案する。 データミュータは、さまざまな障害注入の影響に対して、MLシステムの脆弱性を探索する。 本稿では, アンチセンスオリゴヌクレオチドの保持時間測定を含む分析化学データを用いて, フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-09-20T12:58:35Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Tuning arrays with rays: Physics-informed tuning of quantum dot charge states [0.0]
  ゲート定義量子ドット(QD)に基づく量子コンピュータはスケールすることが期待される。 量子ビットの数が増加するにつれて、これらのシステムを手動で調整する作業は理にかなっている。 ここでは,グローバルな自動状態とチャージチューニングのための,直感的で信頼性が高く,データ効率のよいツールセットを実演する。
  論文  参考訳（メタデータ） (2022-09-08T14:17:49Z)
• Improving the Performance of Robust Control through Event-Triggered Learning [74.57758188038375]
  LQR問題における不確実性に直面していつ学習するかを決定するイベントトリガー学習アルゴリズムを提案する。 本研究では,ロバストな制御器ベースライン上での性能向上を数値例で示す。
  論文  参考訳（メタデータ） (2022-07-28T17:36:37Z)
• ClusterQ: Semantic Feature Distribution Alignment for Data-Free Quantization [111.12063632743013]
  本稿では,ClusterQと呼ばれるデータフリーな量子化手法を提案する。 意味的特徴のクラス間分離性を高めるために,特徴分布統計をクラスタ化し,整列する。 また、クラス内分散を組み込んで、クラスワイドモードの崩壊を解決する。
  論文  参考訳（メタデータ） (2022-04-30T06:58:56Z)
• Robust Face Anti-Spoofing with Dual Probabilistic Modeling [49.14353429234298]
  本稿では、DPM-LQ(ラベル品質認識学習)とDPM-DQ(データ品質認識学習)という2つの専用モジュールを備えたDPM(Dual Probabilistic Modeling)という統合フレームワークを提案する。 DPM-LQは、ノイズのあるセマンティックラベルの分布に過度に適合することなく、ロバストな特徴表現を生成することができる。 DPM-DQは、その品質分布に基づいてノイズデータの予測信頼度を補正することにより、推論中のFalse Reject'およびFalse Accept'からデータノイズを除去することができる。
  論文  参考訳（メタデータ） (2022-04-27T03:44:18Z)
• A Modulation Layer to Increase Neural Network Robustness Against Data Quality Issues [22.62510395932645]
  データ不足と品質は機械学習における一般的な問題であり、特に医療などの高度なアプリケーションにおいて問題となる。 本稿では、低品質データと欠落データの影響を軽減するために、ニューラルネットワークの新たな修正を提案する。 この結果から, 情報品質の低減を全接続層で明示的に考慮することにより, リアルタイムアプリケーションへの人工知能システムの展開が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-19T01:29:16Z)
• Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
  既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。 本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。 広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
  論文  参考訳（メタデータ） (2021-04-13T17:54:33Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)

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。