論文の概要: Neural network based deep learning analysis of semiconductor quantum dot qubits for automated control

• arxiv url: http://arxiv.org/abs/2405.04524v2
• Date: Mon, 20 Jan 2025 05:46:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:14:44.793151
• Title: Neural network based deep learning analysis of semiconductor quantum dot qubits for automated control
• Title（参考訳）: ニューラルネットワークによる半導体量子ドット量子ビットのディープラーニングによる自動制御
• Authors: Jacob R. Taylor, Sankar Das Sarma,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Machine learning offers a largely unexplored avenue for improving noisy disordered devices in physics using automated algorithms. Through simulations that include disorder in physical devices, particularly quantum devices, there is potential to learn about disordered landscapes and subsequently tune devices based on those insights. In this work, we introduce a novel methodology that employs machine learning, specifically convolutional neural networks (CNNs), to discern the disorder landscape in the parameters of the disordered extended Hubbard model underlying the semiconductor quantum dot spin qubit architectures. This technique takes advantage of experimentally obtainable charge stability diagrams from neighboring quantum dot pairs, enabling the CNN to accurately identify disorder in each parameter of the extended Hubbard model. Remarkably, our CNN can process site-specific disorder in Hubbard parameters, including variations in hopping constants, on-site potentials (gate voltages), and both intra-site and inter-site Coulomb terms. This advancement facilitates the prediction of spatially dependent disorder across all parameters simultaneously with high accuracy ($R^2>0.994$) and fewer parameter constraints, marking a significant improvement over previous methods that were focused only on analyzing on-site potentials at low coupling. Furthermore, our approach allows for the tuning of five or more quantum dots at a time, effectively addressing the often-overlooked issue of crosstalk. Not only does our method streamline the tuning process, potentially enabling fully automated adjustments, but it also introduces a "no trust" verification method to rigorously validate the neural network's predictions. Ultimately, this work aims to lay the groundwork for generalizing our method to tackle a broad spectrum of physical problems.
• Abstract（参考訳）: 機械学習は、自動アルゴリズムを使用して物理学におけるノイズの多い混乱したデバイスを改善するために、ほとんど探索されていない道を提供する。 物理デバイス、特に量子デバイスにおける障害を含むシミュレーションを通じて、乱れた風景について学び、その洞察に基づいてデバイスをチューニングする可能性がある。 本研究では,半導体量子ドットスピン量子ビットアーキテクチャの基盤となる乱れ拡張Hubbardモデルのパラメータの乱れを識別するために,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。 この手法は、隣接する量子ドット対から実験的に取得可能な電荷安定性図を利用しており、CNNは拡張されたハバードモデルの各パラメータの障害を正確に識別することができる。 私たちのCNNは、ホッピング定数、オンサイト電位(ゲート電圧)、およびサイト内およびサイト間クーロン項の変動を含む、サイト固有の障害をHubbardパラメータで処理することができます。 この進歩は、全てのパラメータに高い精度(R^2>0.994$)と少ないパラメータ制約を同時に有する空間依存障害の予測を促進する。 さらに,提案手法では,5つ以上の量子ドットを同時にチューニングすることが可能であり,クロストークの問題を効果的に解決することができる。 我々の手法はチューニングプロセスを合理化し、完全な自動調整を可能にするだけでなく、ニューラルネットワークの予測を厳格に検証する"信頼なし"検証手法も導入している。 究極的には、本研究は、幅広い物理問題に対処するための手法を一般化するための基礎研究の展開を目的としている。

関連論文リスト

• NN-AE-VQE: Neural network parameter prediction on autoencoded variational quantum eigensolvers [1.7400502482492273]
  近年、量子コンピューティングの分野は大幅に成熟している。 NN-AE-VQEというニューラルネットワークを用いた自動符号化VQEを提案する。 我々はこれらの手法を、化学的精度を達成するために、$H$分子上で実証する。
  論文  参考訳（メタデータ） (2024-11-23T23:09:22Z)
• Quantum-enhanced learning with a controllable bosonic variational sensor network [0.40964539027092906]
  絡み合ったセンサネットワーク(SLAEN)による教師付き学習 本稿では非線形データ分類タスクを処理できるSLAENを提案する。 分類誤差のしきい値現象は、プローブのエネルギーが一定のしきい値を超えると、誤差は劇的にゼロになる。
  論文  参考訳（メタデータ） (2024-04-28T19:41:40Z)
• Optical Quantum Sensing for Agnostic Environments via Deep Learning [59.088205627308]
  本稿では,革新的な深層学習に基づく量子センシング手法を提案する。 これにより、光学量子センサーは、非依存環境でハイゼンベルク限界(HL)に達することができる。 我々の発見は、光学量子センシングタスクを加速する新しいレンズを提供する。
  論文  参考訳（メタデータ） (2023-11-13T09:46:05Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• Neural networks for Bayesian quantum many-body magnetometry [0.0]
  絡み合った量子多体系は、個々の量子検出器のアンサンブルで達成可能な精度よりも大きいパラメータを推定できるセンサーとして使用できる。 このことは、ベイズ推論手法の適用性を妨げうる複雑さを伴っている。 量子多体センサの力学を忠実に再現するニューラルネットワークを用いて、これらの問題を回避する方法を示す。
  論文  参考訳（メタデータ） (2022-12-22T22:13:49Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Improved Tomographic Estimates by Specialised Neural Networks [0.0]
  ニューラルネットワーク(NN)は、畳み込み段階を含むことにより、パラメータのトモグラフィー推定を改善することができることを示す。 シミュレーションデータのみを用いてネットワークをトレーニングすることにより,安定かつ信頼性の高い操作が実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-21T17:15:23Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Simulating the Mott transition on a noisy digital quantum computer via Cartan-based fast-forwarding circuits [62.73367618671969]
  動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。 不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。 この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
  論文  参考訳（メタデータ） (2021-12-10T17:32:15Z)
• Variational learning of quantum ground states on spiking neuromorphic hardware [0.0]
  高次元サンプリング空間と過渡自己相関は、難しい計算ボトルネックを伴うニューラルネットワークに直面する。 従来のニューラルネットワークと比較して、物理モデルデバイスは高速で効率的で本質的に並列な基板を提供する。 変動エネルギー最小化による量子スピンモデルの基底状態を表すニューロモルフィックチップの能力を示す。
  論文  参考訳（メタデータ） (2021-09-30T14:39:45Z)
• 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。