論文の概要: Automatic Charge State Tuning of 300 mm FDSOI Quantum Dots Using Neural Network Segmentation of Charge Stability Diagram

• arxiv url: http://arxiv.org/abs/2604.13662v1
• Date: Wed, 15 Apr 2026 09:29:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.470094
• Title: Automatic Charge State Tuning of 300 mm FDSOI Quantum Dots Using Neural Network Segmentation of Charge Stability Diagram
• Title（参考訳）: 電荷安定図のニューラルネットワーク分割による300mmFDSOI量子ドットの自動電荷状態調整
• Authors: Peter Samaha, Amine Torki, Ysaline Renaud, Sam Fiette, Emmanuel Chanrion, Pierre-Andre Mortemousque, Yann Beilliard,
• Abstract要約: ゲート定義半導体量子ドット(QD)のチューニングはスピン量子ビット技術のスケーリングにおける主要なボトルネックである。 本稿では、全電荷安定図(CSD)の遷移線を位置決めして電荷自動チューニングを行い、単一電荷状態のゲート電圧ターゲットを返す深層学習パイプラインを提案する。 本モデルでは, 単一充電方式の配置において, 80.0%のオフラインチューニングを実現し, 最大性能を88%以上とした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tuning of gate-defined semiconductor quantum dots (QDs) is a major bottleneck for scaling spin qubit technologies. We present a deep learning (DL) driven, semantic-segmentation pipeline that performs charge auto-tuning by locating transition lines in full charge stability diagrams (CSDs) and returns gate voltage targets for the single charge regime. We assemble and manually annotate a large, heterogeneous dataset of 1015 experimental CSDs measured from silicon QD devices, spanning nine design geometries, multiple wafers, and fabrication runs. A U-Net style convolutional neural network (CNN) with a MobileNetV2 encoder is trained and validated through five-fold group cross validation. Our model achieves an overall offline tuning success of 80.0% in locating the single-charge regime, with peak performance exceeding 88% for some designs. We analyze dominant failure modes and propose targeted mitigations. Finally, wide-range diagram segmentation also naturally enables scalable physic-based feature extraction that can feed back to fabrication and design workflows and outline a roadmap for real-time integration in a cryogenic wafer prober. Overall, our results show that neural network (NN) based wide-diagram segmentation is a practical step toward automated, high-throughput charge tuning for silicon QD qubits.
• Abstract（参考訳）: ゲート定義半導体量子ドット(QD)のチューニングはスピン量子ビット技術のスケーリングにおける主要なボトルネックである。 本稿では,全電荷安定図 (CSD) の遷移線を位置決めし,単一電荷状態のゲート電圧ターゲットを返すことによって,電荷自動チューニングを行う,深層学習(DL)駆動のセマンティックセグメンテーションパイプラインを提案する。 シリコンQDデバイスから測定した1015の実験CDDの大規模で異質なデータセットを手動でアノテートする。 MobileNetV2エンコーダを備えたU-Netスタイル畳み込みニューラルネットワーク(CNN)をトレーニングし、5倍のグループクロスバリデーションにより検証する。 本モデルでは, 単一充電方式の配置において, 80.0%のオフラインチューニングを全体の80.0%で達成し, 最大性能を88%以上とした。 我々は、支配的な障害モードを分析し、ターゲットの緩和を提案する。 最後に、ワイドレンジダイアグラムセグメンテーションは、自然にスケーラブルな物理ベースの特徴抽出を可能にし、製造と設計のワークフローにフィードバックし、低温のウエハプローバーでリアルタイム統合のロードマップを概説することができる。 全体として,ニューラルネットワークを用いたワイドダイアグラムセグメンテーションは,シリコンQD量子ビットの自動高スループットチャージチューニングに向けた実践的なステップであることを示す。

関連論文リスト

• Hardware-Aware Model Design and Training of Silicon-based Analog Neural Networks [33.83993649730681]
  物理インフォームドハードウェア・アウェアモデルを用いてニューラルネットワークを再トレーニングすることにより、理想的なネットワークモデルの推論精度を完全に回復できることを示す。 これは、アナログニューラルネットワークの忠実性を改善するデフォルトオプションよりも、スケーラビリティと統合密度に有望である。
  論文  参考訳（メタデータ） (2025-12-08T10:11:13Z)
• Genetic Transformer-Assisted Quantum Neural Networks for Optimal Circuit Design [3.6953740776904924]
  我々はGTQNN(Genematic Transformer Assisted Quantum Neural Networks)を紹介する。 GTQNNは、トランスフォーマーエンコーダと浅い変動量子回路を組み合わせたハイブリッド学習フレームワークである。 4つのベンチマークの実験では、GTQNNは最先端の量子モデルの状態と一致するか超えている。
  論文  参考訳（メタデータ） (2025-06-10T19:49:21Z)
• KLiNQ: Knowledge Distillation-Assisted Lightweight Neural Network for Qubit Readout on FPGA [1.2832548102732355]
  本稿では,知識蒸留により最適化された軽量ニューラルネットワークを活用した新しい量子ビット読み出しアーキテクチャKLiNQを提案する。 提案手法は,Qubit状態の判別精度91%を維持しながら,ベースラインに比べてモデルサイズを約99%削減する。
  論文  参考訳（メタデータ） (2025-03-05T14:28:16Z)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
  本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。 オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。 我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
  論文  参考訳（メタデータ） (2023-08-31T02:20:25Z)
• End-to-end codesign of Hessian-aware quantized neural networks for FPGAs and ASICs [49.358119307844035]
  我々は、共設計ニューラルネットワーク(NN)のトレーニングと実装のためのエンドツーエンドワークフローを開発する。 これにより、ハードウェアにおける効率的なNN実装が、非専門家に、単一のオープンソースワークフローでアクセスできるようになる。 大型ハドロン衝突型加速器(LHC)の40MHz衝突速度で動作しなければならないトリガー決定を含む粒子物理学アプリケーションにおけるワークフローを実演する。 シミュレーションLHC陽子-陽子衝突における高速粒子ジェット用混合精度NNを実装した。
  論文  参考訳（メタデータ） (2023-04-13T18:00:01Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Trainability of Dissipative Perceptron-Based Quantum Neural Networks [0.8258451067861933]
  分散QNN (Dissipative QNNs) と呼ばれる最近提案されたアーキテクチャの勾配スケーリング(従ってトレーニング容易性)を分析した。 DQNNは不規則な高原(すなわち、量子ビット数で指数関数的に消える勾配)を示すことができる。
  論文  参考訳（メタデータ） (2020-05-26T00:59:09Z)
• Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
  量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。 既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。 本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
  論文  参考訳（メタデータ） (2020-02-03T04:11:13Z)

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。