論文の概要: Robust quantum dots charge autotuning using neural networks uncertainty

• arxiv url: http://arxiv.org/abs/2406.05175v2
• Date: Mon, 19 Aug 2024 23:56:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-21 19:40:10.822947
• Title: Robust quantum dots charge autotuning using neural networks uncertainty
• Title（参考訳）: ニューラルネットワークの不確実性を用いたロバスト量子ドット電荷自動チューニング
• Authors: Victor Yon, Bastien Galaup, Claude Rohrbacher, Joffrey Rivard, Clément Godfrin, Ruoyu Li, Stefan Kubicek, Kristiaan De Greve, Louis Gaudreau, Eva Dupont-Ferrier, Yann Beilliard, Roger G. Melko, Dominique Drouin,
• Abstract要約: 本研究では,半導体スピン量子ビットの電荷調整を最小限の介入で自動化する機械学習に基づく手法を提案する。 この手法は, ニューラルネットワークを用いて安定性図中のノイズのある遷移線を同定し, 堅牢な探索戦略を導出する。
• 参考スコア（独自算出の注目度）: 0.8403727278146909
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a machine-learning-based procedure to automate the charge tuning of semiconductor spin qubits with minimal human intervention, addressing one of the significant challenges in scaling up quantum dot technologies. This method exploits artificial neural networks to identify noisy transition lines in stability diagrams, guiding a robust exploration strategy leveraging neural networks' uncertainty estimations. Tested across three distinct offline experimental datasets representing different single quantum dot technologies, the approach achieves over 99% tuning success rate in optimal cases, where more than 10% of the success is directly attributable to uncertainty exploitation. The challenging constraints of small training sets containing high diagram-to-diagram variability allowed us to evaluate the capabilities and limits of the proposed procedure.
• Abstract（参考訳）: 本研究では,半導体スピン量子ビットの電荷調整を最小限の介入で自動化する機械学習に基づく手法を提案する。 この方法は、ニューラルネットワークの不確実性推定を利用した堅牢な探索戦略を導いて、安定性図中のノイズの多い遷移線を特定するために、ニューラルネットワークを利用する。 異なる単一量子ドット技術を表す3つの異なるオフライン実験データセットでテストされたこの手法は、最適ケースにおける成功率を99%以上チューニングする。 ダイアグラムからダイアグラムへの変動度の高い小セットの難易度制約により,提案手法の能力と限界を評価することができた。

関連論文リスト

• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Confident magnitude-based neural network pruning [0.0]
  ニューラルネットワークのプルーニングは、ディープラーニングモデルの効率向上とメモリストレージの削減に成功している。 我々は、分布のない不確実性定量化に関する最近の技術を活用し、深いニューラルネットワークを圧縮するための有限サンプル統計保証を提供する。 この研究は、不確実性を認識したプルーニングが、スパースニューラルネットワークを安全にデプロイするための有用なアプローチであることを示すために、コンピュータビジョンタスクでの実験を示す。
  論文  参考訳（メタデータ） (2024-08-08T21:29:20Z)
• 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)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• Enhanced quantum state preparation via stochastic prediction of neural network [0.8287206589886881]
  本稿では,ニューラルネットワークの知識盲点を生かして,アルゴリズムの有効性を高めるための興味深い道を探る。 本手法は,半導体ダブル量子ドットシステムにおける任意の量子状態の生成に使用される機械学習アルゴリズムを中心にしている。 ニューラルネットワークが生成した予測を活用することにより、最適化プロセスの導出により、局所最適化を回避できる。
  論文  参考訳（メタデータ） (2023-07-27T09:11:53Z)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• 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)
• Deep reinforcement learning for quantum multiparameter estimation [0.0]
  本研究では,現実的なベイズ量子力学タスクを実現するためのモデルフリーでディープラーニングに基づくアプローチを提案する。 我々は,標準手法よりも高い推定性能の達成を実験的に証明した。
  論文  参考訳（メタデータ） (2022-09-01T18:01:56Z)
• 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)
• Multivariate Deep Evidential Regression [77.34726150561087]
  不確実性を認識するニューラルネットワークによる新しいアプローチは、従来の決定論的手法よりも有望である。 本稿では,レグレッションベースニューラルネットワークからアレータ性およびてんかん性不確かさを抽出する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-13T12:20:18Z)
• Learning Neural Network Subspaces [74.44457651546728]
  近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
  論文  参考訳（メタデータ） (2021-02-20T23:26:58Z)

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。