論文の概要: Automation of Quantum Dot Measurement Analysis via Explainable Machine Learning

• arxiv url: http://arxiv.org/abs/2402.13699v4
• Date: Tue, 6 Aug 2024 02:32:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 19:22:06.469266
• Title: Automation of Quantum Dot Measurement Analysis via Explainable Machine Learning
• Title（参考訳）: 説明可能な機械学習による量子ドット計測解析の自動化
• Authors: Daniel Schug, Tyler J. Kovach, M. A. Wolfe, Jared Benson, Sanghyeok Park, J. P. Dodson, J. Corrigan, M. A. Eriksson, Justyna P. Zwolak,
• Abstract要約: 本研究では,合成三角形の数学的モデリングによる画像ベクトル化手法を提案する。 本手法は,精度を犠牲にすることなく,モデル予測の優れた説明性を提供することを示す。 この研究は、量子ドット計測の分析に説明可能な機械学習技術を適用する可能性と利点を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid development of quantum dot (QD) devices for quantum computing has necessitated more efficient and automated methods for device characterization and tuning. Many of the measurements acquired during the tuning process come in the form of images that need to be properly analyzed to guide the subsequent tuning steps. By design, features present in such images capture certain behaviors or states of the measured QD devices. When considered carefully, such features can aid the control and calibration of QD devices. An important example of such images are so-called \textit{triangle plots}, which visually represent current flow and reveal characteristics important for QD device calibration. While image-based classification tools, such as convolutional neural networks (CNNs), can be used to verify whether a given measurement is \textit{good} and thus warrants the initiation of the next phase of tuning, they do not provide any insights into how the device should be adjusted in the case of \textit{bad} images. This is because CNNs sacrifice prediction and model intelligibility for high accuracy. To ameliorate this trade-off, a recent study introduced an image vectorization approach that relies on the Gabor wavelet transform [1]. Here we propose an alternative vectorization method that involves mathematical modeling of synthetic triangles to mimic the experimental data. Using explainable boosting machines, we show that this new method offers superior explainability of model prediction without sacrificing accuracy. This work demonstrates the feasibility and advantages of applying explainable machine learning techniques to the analysis of quantum dot measurements, paving the way for further advances in automated and transparent QD device tuning.
• Abstract（参考訳）: 量子コンピューティングのための量子ドット(QD)デバイスの開発は、デバイスの特徴付けとチューニングのためにより効率的で自動化された方法を必要としている。 チューニングプロセス中に得られた測定の多くは、その後のチューニングステップをガイドするために適切に解析する必要があるイメージの形で行われる。 設計上、これらの画像に存在する特徴は、測定されたQDデバイスの特定の挙動や状態をキャプチャする。 慎重に考えると、このような機能はQDデバイスの制御と校正に役立つ。 このような画像の重要な例としては、現在の流れを視覚的に表現し、QDデバイスキャリブレーションに重要な特徴を明らかにする、いわゆる‘textit{triangle plots’がある。 畳み込みニューラルネットワーク(CNN)のような画像ベースの分類ツールは、与えられた測定値が \textit{good} であるかどうかを検証するために使用することができ、従ってチューニングの次のフェーズの開始が保証されるが、 \textit{bad} 画像の場合、デバイスをどのように調整すべきかについての洞察は提供されない。 これは、CNNが高い精度で予測とモデルの信頼性を犠牲にしているためである。 このトレードオフを改善するために、最近の研究ではガボルウェーブレット変換 [1] に依存する画像ベクトル化手法を導入している。 本稿では,実験データを模倣する合成三角形の数学的モデリングを含むベクトル化法を提案する。 提案手法は,説明可能なブースティングマシンを用いて,精度を犠牲にすることなく,モデル予測の優れた説明性を提供することを示す。 この研究は、量子ドットの測定に説明可能な機械学習技術を適用する可能性と利点を示し、自動化された透明なQDデバイスチューニングのさらなる進歩の道を開く。

関連論文リスト

• Neural network based deep learning analysis of semiconductor quantum dot qubits for automated control [0.0]
  本稿では,機械学習,特に畳み込みニューラルネットワーク(CNN)を用いた新しい手法を提案する。 注目すべきは、私たちのCNNは、ホッピング定数の変動を含む、サイト固有の障害をHubbardパラメータで処理できることです。 我々のアプローチでは、同時に5つ以上の量子ドットのチューニングが可能になり、しばしば見過ごされるクロストークの問題に効果的に対処できる。
  論文  参考訳（メタデータ） (2024-05-07T17:56:12Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• Read Pointer Meters in complex environments based on a Human-like Alignment and Recognition Algorithm [16.823681016882315]
  これらの問題を克服するための人間ライクなアライメントと認識アルゴリズムを提案する。 STM(Spatial Transformed Module)は,画像のフロントビューを自己自律的に取得するために提案される。 VAM(Value Acquisition Module)は、エンドツーエンドのトレーニングフレームワークによって正確なメーター値を推測するために提案される。
  論文  参考訳（メタデータ） (2023-02-28T05:37:04Z)
• 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)
• Performance of teleportation-based error correction circuits for bosonic codes with noisy measurements [58.720142291102135]
  テレポーテーションに基づく誤り訂正回路を用いて、回転対称符号の誤り訂正能力を解析する。 マイクロ波光学における現在達成可能な測定効率により, ボソニック回転符号の破壊ポテンシャルは著しく低下することが判明した。
  論文  参考訳（メタデータ） (2021-08-02T16:12:13Z)
• Post-Training Quantization for Vision Transformer [85.57953732941101]
  本稿では,視覚変換器のメモリ記憶量と計算コストを削減するための学習後量子化アルゴリズムを提案する。 約8ビット量子化を用いて、ImageNetデータセット上でDeiT-Bモデルを用いて81.29%のトップ-1の精度を得ることができる。
  論文  参考訳（メタデータ） (2021-06-27T06:27:22Z)
• 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)
• Ray-based framework for state identification in quantum dot devices [0.0]
  多次元パラメータ空間におけるデバイス応答の1次元投影に依存する計測手法を提案する。 レイベース分類(RBC)フレームワークとして、この機械学習(ML)アプローチを使用して、QD状態の分類器を実装します。 RBCは画像に基づく分類手法の実験的実装から82%の精度ベンチマークを超越していることを示す。
  論文  参考訳（メタデータ） (2021-02-23T16:38:05Z)
• DAQ: Distribution-Aware Quantization for Deep Image Super-Resolution Networks [49.191062785007006]
  画像超解像のための深い畳み込みニューラルネットワークの定量化は、計算コストを大幅に削減する。 既存の作業は、4ビット以下の超低精度の厳しい性能低下に苦しむか、または性能を回復するために重い微調整プロセスを必要とします。 高精度なトレーニングフリー量子化を実現する新しい分散認識量子化方式(DAQ)を提案する。
  論文  参考訳（メタデータ） (2020-12-21T10:19:42Z)
• RegQCNET: Deep Quality Control for Image-to-template Brain MRI Affine Registration [0.44533271775957767]
  コンパクトな3D畳み込みニューラルネットワーク(CNN)を導入し、アフィン登録ミスマッチの振幅を定量的に予測する。 提案したRegQCNETのロバスト性は、まず様々な空間変換を模擬したライフスパン脳画像に基づいて解析される。 その結果,提案したディープラーニングQCは,処理パイプラインにおけるアフィン登録誤差を推定するために,堅牢で高速かつ高精度であることがわかった。
  論文  参考訳（メタデータ） (2020-05-14T09:27:24Z)

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。