Fugu-MT 論文翻訳(概要): Automated Charge Transition Detection in Quantum Dot Charge Stability Diagrams

論文の概要: Automated Charge Transition Detection in Quantum Dot Charge Stability Diagrams

arxiv url: http://arxiv.org/abs/2508.09024v1
Date: Tue, 12 Aug 2025 15:38:37 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-13 21:07:34.486083
Title: Automated Charge Transition Detection in Quantum Dot Charge Stability Diagrams
Title（参考訳）: 量子ドット電荷安定図における自動電荷遷移検出
Authors: Fabian Hader, Fabian Fuchs, Sarah Fleitmann, Karin Havemann, Benedikt Scherer, Jan Vogelbruch, Lotte Geck, Stefan van Waasen,
Abstract要約: ゲート定義の半導体量子ドットは、量子ビットとして機能するために適切な数の電子を必要とする。そこで本研究では,SimCATSフレームワークから得られたシミュレーションデータを用いて検出手法を検証し,将来のハードウェア実装を念頭において定量的に比較する。
参考スコア（独自算出の注目度）: 1.1744401311654298
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Gate-defined semiconductor quantum dots require an appropriate number of electrons to function as qubits. The number of electrons is usually tuned by analyzing charge stability diagrams, in which charge transitions manifest as edges. Therefore, to fully automate qubit tuning, it is necessary to recognize these edges automatically and reliably. This paper investigates possible detection methods, describes their training with simulated data from the SimCATS framework, and performs a quantitative comparison with a future hardware implementation in mind. Furthermore, we investigated the quality of the optimized approaches on experimentally measured data from a GaAs and a SiGe qubit sample.
Abstract（参考訳）: ゲート定義の半導体量子ドットは、量子ビットとして機能するために適切な数の電子を必要とする。電子の数は通常、電荷遷移がエッジとして現れる電荷安定性図を解析することによって調整される。したがって、キュービットチューニングを完全に自動化するには、これらのエッジを自動かつ確実に認識する必要がある。そこで本研究では,SimCATSフレームワークから得られたシミュレーションデータを用いて検出手法を検証し,将来のハードウェア実装を念頭において定量的に比較する。さらに, GaAsおよびSiGe量子ビット試料から得られた実験データに対する最適化手法の品質について検討した。

関連論文リスト

Simulation of Charge Stability Diagrams for Automated Tuning Solutions (SimCATS) [0.0]
量子ドットは、量子計算の適切な基礎を提供するために正確に調整されなければならない。 1つの重要なステップは、量子ドット内の適切な数の電子をトラップすることである。本稿では,そのような測定の現実的なシミュレーションに対する新しいアプローチを紹介する。
論文参考訳（メタデータ） (2025-08-11T14:36:33Z)
Pulse-based optimization of quantum many-body states with Rydberg atoms in optical tweezer arrays [39.58317527488534]
光ツイーザアレイにおけるリドベルグ原子に対するパルスベースの変分量子固有解法を探索する。一次元反強磁性ハイゼンベルク模型と混合場イジング模型の基底状態が正確に作成できることを数値的に示す。
論文参考訳（メタデータ） (2025-07-25T10:51:49Z)
Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
論文参考訳（メタデータ） (2025-04-08T14:28:54Z)
Automatic Characterization of Fluxonium Superconducting Qubits Parameters with Deep Transfer Learning [0.5932428354861273]
固体系では、個々の量子ビットのパラメータはシステム全体によって異なる。最近の超伝導量子ビット、例えばフラキソニウムや0-π量子ビットは、より改良された忠実度演算を提供するが、より複雑な物理的およびスペクトル構造を示す。本稿では,フラキソニウム量子ビットパラメータの自動的かつ高精度な評価のための機械学習(ML)手法を提案する。
論文参考訳（メタデータ） (2025-03-15T11:51:16Z)
Automation of Quantum Dot Measurement Analysis via Explainable Machine Learning [0.0]
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。自動化された透明な量子ドットデバイスチューニングのさらなる進歩の道を開く。
論文参考訳（メタデータ） (2024-02-21T11:00:23Z)
Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy [58.51812955462815]
単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
論文参考訳（メタデータ） (2023-11-21T21:51:00Z)
A self-consistent field approach for the variational quantum eigensolver: orbital optimization goes adaptive [52.77024349608834]
適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
論文参考訳（メタデータ） (2022-12-21T23:15:17Z)
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)
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)
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)
Miniaturizing neural networks for charge state autotuning in quantum dots [0.2673052070464623]
我々は、量子ドット安定性図の電荷状態遷移を検出するために使用できる小さなフィードフォワードニューラルネットワークを開発した。これらのニューラルネットワークは、コンピュータシミュレーションによって生成された合成データに基づいてトレーニングすることができ、実験装置を所望の電荷状態にチューニングするタスクに頑健に移行可能であることを実証する。これは、将来の量子ドットコンピュータにおけるオンチップ自動チューニングに向けた重要なステップである、低消費電力ハードウェア上での強力な制御要素の小型化の可能性を開く。
論文参考訳（メタデータ） (2021-01-08T19:01:03Z)

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。