Fugu-MT 論文翻訳(概要): Reconstructing Quantum Dot Charge Stability Diagrams with Diffusion Models

論文の概要: Reconstructing Quantum Dot Charge Stability Diagrams with Diffusion Models

arxiv url: http://arxiv.org/abs/2603.26432v1
Date: Fri, 27 Mar 2026 14:03:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-30 21:49:48.529932
Title: Reconstructing Quantum Dot Charge Stability Diagrams with Diffusion Models
Title（参考訳）: 拡散モデルによる量子ドット電荷安定度図の再構成
Authors: Vinicius Hernandes, Joseph Rogers, Rouven Koch, Thomas Spriggs, Brennan Undseth, Anasua Chatterjee, Lieven M. K. Vandersypen, Eliska Greplova,
Abstract要約: 量子ドットデバイスの効率的なキャラクタリゼーションは、制限されたスピンに基づいて量子プロセッサをスケーリングする際の重要なボトルネックである。スパース測定から全電荷安定図を再構成することにより, 獲得を加速する生成的手法を提案する。以上の結果から,生成モデルにより量子デバイスの特性的オーバーヘッドを大幅に低減できることを示すとともに,実験的な実装に向けた堅牢な経路を提供する。
参考スコア（独自算出の注目度）: 0.6116912304119905
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Efficiently characterizing quantum dot (QD) devices is a critical bottleneck when scaling quantum processors based on confined spins. Measuring high-resolution charge stability diagrams (or CSDs, data maps which crucially define the occupation of QDs) is time-consuming, particularly in emerging architectures where CSDs must be acquired with remote sensors that cannot probe the charge of the relevant dots directly. In this work, we present a generative approach to accelerate acquisition by reconstructing full CSDs from sparse measurements, using a conditional diffusion model. We evaluate our approach using two experimentally motivated masking strategies: uniform grid-based sampling, and line-cut sweeps. Our lightweight architecture, trained on approximately 9,000 examples, successfully reconstructs CSDs, maintaining key physically important features such as charge transition lines, from as little as 4\% of the total measured data. We compare the approach to interpolation methods, which fail when the task involves reconstructing large unmeasured regions. Our results demonstrate that generative models can significantly reduce the characterization overhead for quantum devices, and provides a robust path towards an experimental implementation.
Abstract（参考訳）: 量子ドット(QD)デバイスを効率よく特徴付けることは、制限されたスピンに基づいて量子プロセッサをスケーリングする際の重要なボトルネックである。高解像度の電荷安定性図(または、QDの占有を決定的に定義するデータマップ)の測定には時間を要する。本研究では,条件拡散モデルを用いて,スパース測定から完全なCDDを再構築することで,獲得を加速するための生成的アプローチを提案する。提案手法は,一様グリッドベースサンプリングとラインカットスイープという2つの実験的なマスキング手法を用いて評価する。我々の軽量アーキテクチャは、約9000のサンプルに基づいてトレーニングされ、CDDの再構築に成功し、電荷遷移線などの重要な物理的重要な特徴を、測定データ全体の4倍程度から維持する。本研究では,大規模非計測領域の再構築に伴う補間手法の比較を行った。以上の結果から,生成モデルにより量子デバイスの特性的オーバーヘッドを大幅に低減できることを示すとともに,実験的な実装に向けた堅牢な経路を提供する。

関連論文リスト

Variational Quantum Dimension Reduction for Recurrent Quantum Models [3.112711246449628]
リカレント量子モデル(RQM)は、メモリシステムへのユニタリ演算の繰り返し適用を通じて、シーケンシャル量子プロセスを実現する。本稿では,無関係なメモリ自由度を識別・除去するテクスチタリシジョン量子次元減少フレームワークを提案する。我々のフレームワークは, 変量行列の積状態乱れに比べて, 最大で3桁小さいQFDRを実現している。
論文参考訳（メタデータ） (2026-03-10T12:12:16Z)
Automated electrostatic characterization of quantum dot devices in single- and bilayer heterostructures [0.46951850757696256]
電荷安定性図(CSD)から容量特性を抽出する自動プロトコルを提案する。本手法は機械学習,画像処理,物体検出を統合し,手動ラベリングなしで電荷遷移を識別・追跡する。
論文参考訳（メタデータ） (2025-12-31T19:00:04Z)
Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
論文参考訳（メタデータ） (2025-10-23T07:12:26Z)
Towards Stabilized and Efficient Diffusion Transformers through Long-Skip-Connections with Spectral Constraints [51.83081671798784]
Diffusion Transformers (DiT) は、画像およびビデオ生成のための強力なアーキテクチャとして登場し、優れた品質とスケーラビリティを提供している。 DiTの実用アプリケーションは本質的に動的特徴不安定性に悩まされており、キャッシュされた推論中にエラーを増幅する。我々は,Long-Skip-Connections (LSCs) で拡張された画像およびビデオ生成型DiTであるSkip-DiTを提案する。
論文参考訳（メタデータ） (2024-11-26T17:28:10Z)
Scalable quantum dynamics compilation via quantum machine learning [7.31922231703204]
変分量子コンパイル(VQC)法は、高精度を維持しつつゲートコストを低減するために変分最適化を用いる。 1次元におけるシステムサイズと精度の両面で、我々のアプローチが最先端のコンパイル結果を上回ることが示されている(1$D)。 VQCを2次元(2次元)ストリップに準1次元処理で拡張し、標準的なトロッタライズ法よりも大きな資源優位性を示す。
論文参考訳（メタデータ） (2024-09-24T18:00:00Z)
Robust ultra-shallow shadows [0.251657752676152]
低深度計測回路の幅広いクラスに対して,ロバストなシャドウ推定プロトコルを提案する。弱相関局所雑音に対して、測定チャネルは効率的な行列積表現を有する。テンソルネットワークツールを用いて実験データから直接推定する方法を示す。
論文参考訳（メタデータ） (2024-05-09T18:00:09Z)
Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文参考訳（メタデータ） (2023-07-17T07:12:29Z)
Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
論文参考訳（メタデータ） (2021-06-17T02:40:18Z)
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)
Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文参考訳（メタデータ） (2021-01-12T20:08:18Z)
Fully Quantized Image Super-Resolution Networks [81.75002888152159]
効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
論文参考訳（メタデータ） (2020-11-29T03:53:49Z)

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。