論文の概要: Machine Learning Methods for Background Potential Estimation in 2DEGs

• arxiv url: http://arxiv.org/abs/2310.07089v1
• Date: Wed, 11 Oct 2023 00:03:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-14 02:46:40.746698
• Title: Machine Learning Methods for Background Potential Estimation in 2DEGs
• Title（参考訳）: 2DEGにおける背景電位推定のための機械学習手法
• Authors: Carlo da Cunha and Nobuyuki Aoki and David Ferry and Kevin Vora and Yu Zhang
• Abstract要約: 2次元電子ガス(2DEG)は、変換技術を約束する基本構造である。 2DEGにおける不純物や欠陥の存在は、キャリアの移動性、導電性、量子コヒーレンス時間に影響を与える、重大な課題を引き起こす。 我々は3つの異なる機械学習技術を用いて、2DEGの背景電位を走査ゲート顕微鏡データから推定する。
• 参考スコア（独自算出の注目度）: 3.100390591580898
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the realm of quantum-effect devices and materials, two-dimensional electron gases (2DEGs) stand as fundamental structures that promise transformative technologies. However, the presence of impurities and defects in 2DEGs poses substantial challenges, impacting carrier mobility, conductivity, and quantum coherence time. To address this, we harness the power of scanning gate microscopy (SGM) and employ three distinct machine learning techniques to estimate the background potential of 2DEGs from SGM data: image-to-image translation using generative adversarial neural networks, cellular neural network, and evolutionary search. Our findings, despite data constraints, highlight the effectiveness of an evolutionary search algorithm in this context, offering a novel approach for defect analysis. This work not only advances our understanding of 2DEGs but also underscores the potential of machine learning in probing quantum materials, with implications for quantum computing and nanoelectronics.
• Abstract（参考訳）: 量子効果デバイスや材料の世界では、2次元電子ガス(2DEG)が変換技術を約束する基本構造である。 しかしながら、2DEGにおける不純物や欠陥の存在は、キャリアの移動性、導電性、量子コヒーレンス時間に影響を与える、重大な課題を引き起こす。 これを解決するために、走査ゲート顕微鏡(SGM)のパワーを活用し、SGMデータから2DEGの背景電位を推定するために3つの異なる機械学習技術を用いる。 データ制約にもかかわらず、この文脈における進化的探索アルゴリズムの有効性を強調し、欠陥解析に対する新しいアプローチを提供する。 この研究は、2DEGの理解を深めるだけでなく、量子コンピューティングやナノエレクトロニクスに影響を及ぼす量子物質の探索における機械学習の可能性も強調している。

関連論文リスト

• First-principles computational methods for quantum defects in two-dimensional materials: A perspective [1.2289361708127877]
  量子欠陥は、量子情報デバイスを構築するリソースを提供する材料における原子欠陥である。 本稿では、2次元材料における量子欠陥のスピンおよび電子的性質を予測するための第一原理計算法と課題について論じる。
  論文  参考訳（メタデータ） (2024-10-02T03:06:37Z)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Gate-Controlled Quantum Dots Based on Two-Dimensional Materials [1.253293283032098]
  2次元(2次元)材料は、谷の対照的な物理学のような豊かなエキゾチックな現象を示す層状物質のファミリーである。 ゲート制御量子ドットアーキテクチャは、2次元材料とそのヘテロ構造に応用されている。
  論文  参考訳（メタデータ） (2022-04-15T09:37:36Z)
• Machine-learning assisted quantum control in random environment [3.8580539160777625]
  本稿では,ニューラルネットワークに基づく機械学習アルゴリズムの概念実証と解析について紹介する。 畳み込みニューラルネットワークは、障害を認識できるため、この問題を解決可能であることを示す。 提案アルゴリズムの精度は障害パターンの高次元マッピングにより向上することを示した。
  論文  参考訳（メタデータ） (2022-02-21T15:12:39Z)
• Bridging the reality gap in quantum devices with physics-aware machine learning [0.0]
  物質欠陥の予測不可能な分布によって引き起こされる障害は、現実のギャップに対する主要な貢献の1つである。 物理モデル,ディープラーニング,ガウス確率場,ベイズ推論を組み合わせたアプローチを用いて,このギャップを橋渡しする。 このアプローチにより、電子輸送データからナノスケール電子デバイスの障害電位を推定できる。
  論文  参考訳（メタデータ） (2021-11-22T15:45:01Z)
• Standard Model Physics and the Digital Quantum Revolution: Thoughts about the Interface [68.8204255655161]
  量子システムの分離・制御・絡み合いの進歩は、かつての量子力学の興味深い特徴を、破壊的な科学的・技術的進歩のための乗り物へと変えつつある。 本稿では,3つの領域科学理論家の視点から,絡み合い,複雑性,量子シミュレーションのインターフェースについて考察する。
  論文  参考訳（メタデータ） (2021-07-10T06:12:06Z)
• Quantum Annealing Formulation for Binary Neural Networks [40.99969857118534]
  本研究では、リソース制約のあるデバイスを意図した軽量で強力なモデルであるバイナリニューラルネットワークについて検討する。 トレーニング問題に対する2次非制約バイナリ最適化の定式化を考案する。 問題は難解であり、すなわち、二分重みを推定するコストはネットワークサイズと指数関数的にスケールするが、どのようにして問題を量子アニール器に直接最適化できるかを示す。
  論文  参考訳（メタデータ） (2021-07-05T03:20:54Z)
• 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)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。