論文の概要: QDFlow: A Python package for physics simulations of quantum dot devices

• arxiv url: http://arxiv.org/abs/2509.13298v2
• Date: Mon, 06 Oct 2025 16:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 14:28:10.685973
• Title: QDFlow: A Python package for physics simulations of quantum dot devices
• Title（参考訳）: QDFlow:量子ドットデバイスの物理シミュレーションのためのPythonパッケージ
• Authors: Donovan L. Buterakos, Sandesh S. Kalantre, Joshua Ziegler, Jacob M Taylor, Justyna P. Zwolak,
• Abstract要約: QDFlowは、複数QDアレイのためのオープンソースの物理シミュレータで、地上構造ラベルでリアルな合成データを生成する。 機械学習開発、ベンチマーク、量子デバイス研究のための、大規模で多様なデータセットの作成をサポートする。
• 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: Recent advances in machine learning (ML) have accelerated progress in calibrating and operating quantum dot (QD) devices. However, most ML approaches rely on access to large, representative datasets designed to capture the full spectrum of data quality encountered in practice, with both high- and low-quality data for training, benchmarking, and validation, with labels capturing key features of the device state. Collating such datasets experimentally is challenging due to limited data availability, slow measurement bandwidths, and the labor-intensive nature of labeling. QDFlow is an open-source physics simulator for multi-QD arrays that generates realistic synthetic data with ground-truth labels. QDFlow combines a self-consistent Thomas-Fermi solver, a dynamic capacitance model, and flexible noise modules to simulate charge stability diagrams and ray-based data closely resembling experiments. With an extensive set of parameters that can be varied and customizable noise models, QDFlow supports the creation of large, diverse datasets for ML development, benchmarking, and quantum device research.
• Abstract（参考訳）: 機械学習(ML)の最近の進歩は、量子ドット(QD)デバイスの校正と操作の進歩を加速している。 しかしながら、ほとんどのMLアプローチは、トレーニング、ベンチマーク、バリデーション用の高品質データと低品質データの両方を使用して、実際に発生するデータ品質の全スペクトルをキャプチャするために設計された、大規模で代表的なデータセットへのアクセスに依存している。 このようなデータセットを実験的にコラボすることは、データ可用性の制限、測定帯域の低さ、ラベル付けの労働集約性によって困難である。 QDFlowは、複数QDアレイのためのオープンソースの物理シミュレータで、地上構造ラベルでリアルな合成データを生成する。 QDFlowは、動的キャパシタンスモデルである自己一貫性のThomas-Fermiソルバとフレキシブルノイズモジュールを組み合わせることで、電荷安定性図とレイベースデータによく似た実験をシミュレートする。 変更可能なノイズモデルとカスタマイズ可能なパラメータの広範なセットにより、QDFlowは、ML開発、ベンチマーク、量子デバイス研究のための、大規模で多様なデータセットの作成をサポートする。

関連論文リスト

• Comparing Quantum Machine Learning Approaches in Astrophysical Signal Detection [1.2124551005857038]
  4段階の量子機械学習(QML)ワークフローを提案する。 天体物理学領域におけるガンマ線バースト(GRB)信号検出を中心としたケーススタディにおいて,異なる手法とモデルについて検討した。
  論文  参考訳（メタデータ） (2025-07-14T16:16:58Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Auto Cherry-Picker: Learning from High-quality Generative Data Driven by Language [41.40908753726324]
  拡散モデルは現実的で多様な画像を生成することができ、データ集約的な知覚タスクのためのデータ可用性を促進する可能性がある。 textbfAuto textbfCherry-textbfPicker (ACP)を提案する。
  論文  参考訳（メタデータ） (2024-06-28T17:53:18Z)
• Quantum Active Learning [3.3202982522589934]
  量子ニューラルネットワークのトレーニングは通常、教師付き学習のための実質的なラベル付きトレーニングセットを必要とする。 QALはモデルを効果的にトレーニングし、完全にラベル付けされたデータセットに匹敵するパフォーマンスを達成する。 我々は,QALがランダムサンプリングベースラインに乗じて負の結果を微妙な数値実験により解明する。
  論文  参考訳（メタデータ） (2024-05-28T14:39:54Z)
• QDA$^2$: A principled approach to automatically annotating charge stability diagrams [1.2437226707039448]
  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。
  論文  参考訳（メタデータ） (2023-12-18T13:52:18Z)
• Quantum support vector data description for anomaly detection [0.5439020425819]
  異常検出は、データ分析とパターン認識において重要な問題であり、様々な領域における応用を見つける。 本稿では,異常検出のための教師なし学習アルゴリズムである量子支援ベクトルデータ記述(QSVDD)を紹介する。
  論文  参考訳（メタデータ） (2023-10-10T07:35:09Z)
• 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)
• DeePKS+ABACUS as a Bridge between Expensive Quantum Mechanical Models and Machine Learning Potentials [9.982820888454958]
  Deep Kohn-Sham (DeePKS) は密度汎関数理論に基づく機械学習(ML)ポテンシャルである。 DeePKSは高レベル量子力学(QM)法と比較して密に整合したエネルギーと力を提供する。 DeePKSモデルをトレーニングするために十分な量の高精度QMデータを生成し、さらにDeePKSモデルを使用して、はるかに多くの設定をラベル付けしてML電位をトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-06-21T03:24:18Z)
• 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)
• DFTpy: An efficient and object-oriented platform for orbital-free DFT simulations [55.41644538483948]
  本稿では、Python 3で完全に書かれたOFDFTを実装したオープンソースソフトウェアであるDFTpyを紹介する。 本稿では,1CPUで計算したアルミニウムの100万原子系の電子構造について紹介する。 DFTpyはMITライセンスでリリースされている。
  論文  参考訳（メタデータ） (2020-02-07T19:07:41Z)

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。