論文の概要: QDA$^2$: A principled approach to automatically annotating charge
stability diagrams
- arxiv url: http://arxiv.org/abs/2312.11206v1
- Date: Mon, 18 Dec 2023 13:52:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 19:54:12.615203
- Title: QDA$^2$: A principled approach to automatically annotating charge
stability diagrams
- Title(参考訳): QDA$^2$: 電荷安定性図の自動アノテートのための原理的アプローチ
- Authors: Brian Weber and Justyna P. Zwolak
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.2437226707039448
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gate-defined semiconductor quantum dot (QD) arrays are a promising platform
for quantum computing. However, presently, the large configuration spaces and
inherent noise make tuning of QD devices a nontrivial task and with the
increasing number of QD qubits, the human-driven experimental control becomes
unfeasible. Recently, researchers working with QD systems have begun putting
considerable effort into automating device control, with a particular focus on
machine-learning-driven methods. Yet, the reported performance statistics vary
substantially in both the meaning and the type of devices used for testing.
While systematic benchmarking of the proposed tuning methods is necessary for
developing reliable and scalable tuning approaches, the lack of openly
available standardized datasets of experimental data makes such testing
impossible. The QD auto-annotator -- a classical algorithm for automatic
interpretation and labeling of experimentally acquired data -- is a critical
step toward rectifying this. QD auto-annotator leverages the principles of
geometry to produce state labels for experimental double-QD charge stability
diagrams and is a first step towards building a large public repository of
labeled QD data.
- Abstract(参考訳): 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。
しかし、現在、大きな構成空間と固有のノイズにより、QDデバイスのチューニングは非自明な作業となり、QD量子ビットの増加に伴い、人間による実験的制御は不可能となる。
近年、QDシステムを扱う研究者は、特に機械学習駆動の手法に焦点を当てたデバイス制御の自動化に多大な努力を払っている。
しかし、報告された性能統計は、テストに使用されるデバイスの種類と意味において大きく異なる。
提案手法の体系的ベンチマークは信頼性とスケーラブルなチューニング手法の開発には不可欠であるが、実験データのオープンに利用可能な標準データセットが欠如しているため、そのようなテストは不可能である。
実験的な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QDauto-Annotatorは、これを修正するための重要なステップである。
QDauto-annotatorは、ジオメトリの原理を利用して、実験的な二重QD電荷安定性図のための状態ラベルを生成し、ラベル付きQDデータの大規模な公開リポジトリを構築するための第一歩である。
関連論文リスト
- QuApprox: A Framework for Benchmarking the Approximability of
Variational Quantum Circuit [14.01679361322848]
我々は、与えられた量子回路の近似をベンチマークする自動ツールを開発する。
提案手法は理論値と一致した近似性を正確に推定できる。
論文 参考訳(メタデータ) (2024-02-13T07:23:42Z) - Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum
Computing [99.34965725525188]
AQC(Adiabatic quantum computing)は、NP-hard最適化問題に対する有望な量子コンピューティング手法である。
本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。
最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。
論文 参考訳(メタデータ) (2023-10-18T17:59:45Z) - QASnowball: An Iterative Bootstrapping Framework for High-Quality
Question-Answering Data Generation [67.27999343730224]
QAデータ拡張のための反復型ブートストラップフレームワーク(QASnowball)を導入する。
QASnowballは、教師付きサンプルのシードセットに基づいて、大規模で高品質なQAデータを反復的に生成することができる。
本研究では, 高資源の英語シナリオと中資源の中国語シナリオで実験を行い, 実験結果から, QASnowball が生成したデータによりQAモデルを容易に作成できることが示唆された。
論文 参考訳(メタデータ) (2023-09-19T05:20:36Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳(メタデータ) (2023-08-25T15:08:19Z) - Semisupervised Anomaly Detection using Support Vector Regression with
Quantum Kernel [0.0]
異常検出(AD)は、他のデータから何らかの方法で逸脱する観測や事象を特定することである。
本稿では,量子カーネルによる支持ベクトル回帰(SVR)の再構成損失に基づく半教師付きADへのアプローチを提案する。
量子カーネルを用いたSVRモデルは、RBFカーネルや他のすべてのモデルよりも優れた性能を示し、全てのデータセットに対して最高平均AUCを達成する。
論文 参考訳(メタデータ) (2023-08-01T15:00:14Z) - 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) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳(メタデータ) (2022-07-14T12:22:51Z) - Dynamical learning of a photonics quantum-state engineering process [48.7576911714538]
実験的な高次元量子状態の工学は、いくつかの量子情報プロトコルにとって重要な課題である。
我々は、フォトニック軌道Angular Momentum(OAM)ステートを設計するための自動適応最適化プロトコルを実装した。
このアプローチは、量子情報プロトコルや技術のためのノイズの多い実験タスクを自動最適化するための強力なツールである。
論文 参考訳(メタデータ) (2022-01-14T19:24:31Z) - Colloquium: Advances in automation of quantum dot devices control [0.0]
量子ドットの配列 (QD) はスケーラブルで結合された量子ビットシステムを実現するための有望な候補システムである。
所望のQD位置と電荷をゲート電圧にマッピングすることは、古典的な制御の問題となる。
近年,スクリプトベースのアルゴリズムと機械学習(ML)技術を組み合わせたデバイス制御を自動化する取り組みが盛んに行われている。
論文 参考訳(メタデータ) (2021-12-17T07:41:47Z) - 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) - 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)
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。