論文の概要: Tuning arrays with rays: Physics-informed tuning of quantum dot charge
states
- arxiv url: http://arxiv.org/abs/2209.03837v1
- Date: Thu, 8 Sep 2022 14:17:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-09 12:56:11.806443
- Title: Tuning arrays with rays: Physics-informed tuning of quantum dot charge
states
- Title（参考訳）: 線によるチューニングアレイ:量子ドット電荷状態の物理インフォームドチューニング
- Authors: Joshua Ziegler and Florian Luthi and Mick Ramsey and Felix Borjans and
Guoji Zheng and Justyna P. Zwolak
- Abstract要約: 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、グローバルな状態と電荷のチューニングを自動化するための、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。
- 参考スコア（独自算出の注目度）: 0.06775401033588706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum computers based on gate-defined quantum dots (QDs) are expected to
scale. However, as the number of qubits increases, the burden of manually
calibrating these systems becomes unreasonable and autonomous tuning must be
used. There have been a range of recent demonstrations of automated tuning of
various QD parameters such as coarse gate ranges, global state topology (e.g.
single QD, double QD), charge, and tunnel coupling with a variety of methods.
Here, we demonstrate an intuitive, reliable, and data-efficient set of tools
for automated global state and charge tuning in a framework deemed
physics-informed tuning (PIT). The first module of PIT is an action-based
algorithm that combines a machine learning (ML) classifier with physics
knowledge to navigate to a target global state. The second module uses a series
of one-dimensional measurements to tune to a target charge state by first
emptying the QDs of charge, followed by calibrating capacitive couplings, and
navigating to the target charge state. The success rate for the action-based
tuning consistently surpasses $95~\%$ on both simulated and experimental data
suitable for off-line testing. The success rate for charge setting is
comparable when testing with simulated data, at $95.5(5.4)~\%$, and only
slightly worse for off-line experimental tests, with an average of
$89.7(17.4)~\%$ (median $97.5~\%$). It's noteworthy that the high performance
is demonstrated both on data from samples fabricated in an academic cleanroom
as well as on an industrial 300 mm process line, further underlining the
device-agnosticity of PIT. Together, these tests on a range of simulated and
experimental devices demonstrate the effectiveness and robustness of PIT.
- Abstract（参考訳）: 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。
しかし、キュービット数が増えるにつれて、手動でシステムを調整するという負担は不合理になり、自律的なチューニングが必要とされる。
近年、粗いゲート範囲、大域的状態位相(例えば、単一QD、二重QD)、電荷、様々な手法によるトンネル結合など、様々なQDパラメータの自動チューニングのデモが行われている。
ここでは,物理インフォームドチューニング(PIT)とみなすフレームワークにおいて,グローバル状態の自動化と電荷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示す。
PITの最初のモジュールは、機械学習(ML)分類器と物理知識を組み合わせたアクションベースのアルゴリズムで、ターゲットのグローバルステートにナビゲートする。
第2のモジュールは、まず電荷のqdsを空にして、次に容量結合を校正し、ターゲット電荷状態にナビゲートすることで、ターゲット電荷状態に合わせて一連の1次元の計測を行う。
アクションベースのチューニングの成功率は、オフラインテストに適したシミュレーションデータと実験データの両方において、一貫して955〜\%を超える。
チャージ設定の成功率は、シミュレーションデータでテストした場合と同等であり、95.5(5.4)~\%$であり、オフラインの実験ではわずかに悪いが、平均で89.7(17.4)〜\%$(中間値97.5〜$$$)である。
注目に値するのは、学術用クリーンルームで製造されたサンプルのデータと工業用300mmプロセスラインの両方で高いパフォーマンスが実証されていることです。
これらの実験を組み合わせることで、pitの有効性とロバスト性が実証される。
関連論文リスト
- Experimental Online Quantum Dots Charge Autotuning Using Neural Network [0.8219694762753349]
本研究では,クローズドループキャリブレーションシステムに統合された畳み込みニューラルネットワークを用いたオンライン単ドット電荷自動チューニングについて述べる。
装置上で25mKまで冷却された20回の実験では、目標電子状態の配置において95%の成功率を達成した。
本研究は,量子ドットデバイスにおける機械学習駆動リアルタイム電荷自動チューニングの実現可能性を検証する。
論文 参考訳（メタデータ） (2024-09-30T14:22:47Z) - Generalized Parity Measurements and Efficient Large Multi-component Cat State Preparation with Quantum Signal Processing [0.0]
一般パリティ測定は、非自明な量子状態の生成に役立っている。
本稿では,量子信号処理に基づく効率的でロバストなパリティ測定手法を提案する。
論文 参考訳（メタデータ） (2024-09-08T18:47:22Z) - 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) - Enabling Quantum Cybersecurity Analytics in Botnet Detection: Stable
Architecture and Speed-up through Tree Algorithms [0.0]
我々は,100個のデータサンプルと5,000個のデータサンプルを用いた実デバイスシミュレーションを用いて,実量子コンピュータ上でのハイブリッド機械学習手法の実行を可能にする。
我々は,データサンプル1000件と量子シミュレータのみを処理していた2022年のSuryotrisongko と Musashi の精度を上回りました。
我々はHoeffding決定木アルゴリズムに基づく新しいハイブリッド量子二項分類アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-23T18:29:38Z) - Validation tests of GBS quantum computers give evidence for quantum
advantage with a decoherent target [62.997667081978825]
複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。
偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
論文 参考訳（メタデータ） (2022-11-07T12:00:45Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳（メタデータ） (2021-10-05T02:14:38Z) - Toward Robust Autotuning of Noisy Quantum Dot Devices [0.10889448277664004]
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。
論文 参考訳（メタデータ） (2021-07-30T19:02:32Z) - Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。
本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
論文 参考訳（メタデータ） (2020-11-16T06:51:55Z) - 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) - AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。
我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
論文 参考訳（メタデータ） (2020-07-14T09:07:29Z) - APQ: Joint Search for Network Architecture, Pruning and Quantization
Policy [49.3037538647714]
本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。
ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。
同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
論文 参考訳（メタデータ） (2020-06-15T16:09:17Z)
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。