論文の概要: Machine Learning for Charge State Characterization of Isolated Double Quantum Dots

• arxiv url: http://arxiv.org/abs/2607.20871v1
• Date: Thu, 23 Jul 2026 02:50:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.266565
• Title: Machine Learning for Charge State Characterization of Isolated Double Quantum Dots
• Title（参考訳）: 孤立量子ドットの電荷状態評価のための機械学習
• Abstract要約: 半導体デバイスから収集した電荷安定性マップ(CSM)に基づいて,100万パラメータ未満の2つの畳み込みニューラルネットワークを提案する。 CSMClassifierは、チャージ不安定性とセンサアーティファクトを特定し、2,407枚のホールドアウト画像上で、3つの品質クラスで94%のマクロ平均精度を達成する。 ChargeLineNetは電荷移動線をローカライズし、電子占有率を決定する。
• 参考スコア（独自算出の注目度）: 0.1606255779304139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scaling semiconductor quantum dot arrays toward fault-tolerant quantum computing requires efficient tuneup of spin qubits, a process that depends on the analysis of charge stability maps (CSMs) and remains largely manual. While machine learning has been widely applied to CSM analysis in reservoir-coupled devices, automated tuning in the increasingly important isolated-mode regime has received limited attention. In isolated-mode CSMs, charge transitions appear as near-vertical lines, making them well suited to compact, task-specific models. We present two convolutional neural networks with fewer than one million parameters, trained on CSMs collected from 32 silicon metal-oxide-semiconductor (SiMOS) double-quantum-dot devices measured at approximately 1 K using an automated cryogenic probing system. Sixteen devices were used for training and sixteen were held out to evaluate cross-device generalization against hand-labeled ground truth. CSMClassifier identifies charge instability and sensor artifacts, achieving 94% macro-averaged accuracy across three quality classes on 2,407 held-out images. ChargeLineNet localizes charge-transition lines and determines electron occupancy, achieving 95.3% exact line-count accuracy on 1,131 held-out images. Combined into a single pipeline, the models correctly determine electron occupancy for 93.8% of clean held-out images. Pre-training on synthetic images substantially improves label efficiency. Fine-tuning the pre-trained model on limited experimental data maintains over 90% accuracy, whereas training from scratch degrades significantly under the same conditions. Together, the two models occupy only 6.5 MB and process images in less than 60 ms on standard laboratory hardware, demonstrating a practical path toward scalable, automated characterization and tuneup of quantum-dot devices.
• Abstract（参考訳）: フォールトトレラント量子コンピューティングへの半導体量子ドットアレイのスケーリングにはスピン量子ビットの効率的なチューナップが必要である。 貯水池結合デバイスにおけるCSM解析に機械学習が広く応用されているが、重要度の高い孤立モードシステムにおける自動チューニングは、あまり注目されていない。 孤立モードCSMでは、電荷遷移はほぼ垂直線として現れ、コンパクトでタスク固有のモデルによく適合する。 約1Kで測定されたシリコン金属酸化物半導体(SiMOS)二重量子ドットデバイスから得られたCSMを用いて,100万パラメータ未満の2つの畳み込みニューラルネットワークを,自動低温プローブシステムを用いて学習した。 16のデバイスをトレーニングに使用し、16のデバイス間一般化を手書きの地上真実に対して評価した。 CSMClassifierは、チャージ不安定性とセンサアーチファクトを特定し、2,407枚のホールドアウト画像上で、3つの品質クラスで94%のマクロ平均精度を達成する。 ChargeLineNetは電荷移動線をローカライズし、電子占有率を決定する。 1つのパイプラインに組み合わせて、クリーンなホールドアウト画像の93.8%の電子占有度を正確に決定する。 合成画像の事前学習はラベル効率を大幅に向上させる。 限られた実験データ上で事前訓練されたモデルを微調整すると90%以上の精度が維持されるが、スクラッチからのトレーニングは同じ条件下では著しく劣化する。 どちらも6.5MBに過ぎず、標準的な実験室のハードウェアでは60ミリ秒未満で画像を処理し、量子ドットデバイスのスケーラブルで自動化されたキャラクタリゼーションとチューニングに向けた実践的な道を実証した。

関連論文リスト

• Hardware-Efficient Exchange-Only QML: Singlet-Triplet Spin Chains via Inter-pair Coupling without Magnetic Gradients [0.0]
  2スピンユニットは高密度を提供するが、制御のための局所磁場勾配に依存し、積分複雑性が増大する。 本稿では,最小2スピン単位とハイゼンベルク交換相互作用のみを用いて高表現性を実現する,資源効率の量子機械学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-08-29T03:13:07Z)
• Machine Learning Modeling for Real-Time Melt Pool Monitoring in Laser Powder Bed Fusion Additive Manufacturing: A Hybrid Approach [3.4293730040896246]
  本研究では,レーザー粉末層融合(LPBF)添加製造におけるリアルタイムモニタリングのための人工知能と機械学習(AI/ML)の実装について検討する。 NIST AMMTプラットフォーム上でNickel Superalloy 625から収集した1200枚の画像のバランスの取れたデータセットを用いて,正常および異常な溶融プール画像の識別を行うバイナリ画像分類フレームワークを開発した。 F1スコアは0.9451、精度は0.9458、AUCは0.9904で、F1スコアは1。
  論文  参考訳（メタデータ） (2026-06-22T18:38:29Z)
• Photonic convolutional neural network with pre-trained in-situ training [0.0]
  フォトニックコンピューティングは、電子フォン・ノイマンアーキテクチャのエネルギーボトルネックを克服する大きな可能性を持つ計算パラダイムである。 我々は,光領域内でMNIST画像の分類を行う完全フォトニック畳み込みニューラルネットワーク(PCNN)を提案し,検証する。 本システムでは、MZIメッシュ、波長分割多重(WDM)プール、マイクロリング共振器に基づく非線形性を利用したコヒーレント処理を継続する。
  論文  参考訳（メタデータ） (2026-04-02T18:01:41Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• MiniCPM-SALA: Hybridizing Sparse and Linear Attention for Efficient Long-Context Modeling [80.48332380100915]
  MiniCPM-SALAは、疎注意の高忠実長文モデリングと線形注意のグローバル効率を統合するハイブリッドモデルである。 1つのNVIDIA A6000D GPUでは、256Kトークンのシーケンス長におけるフルアテンションモデルの推論速度が3.5倍に達する。
  論文  参考訳（メタデータ） (2026-02-12T09:37:05Z)
• Sensor Calibration Model Balancing Accuracy, Real-time, and Efficiency [4.212937192948915]
  Scare (Sensor model balance, Real-time, Accuracy and efficiency) は8つの顕微鏡的要件を同時に満たす超圧縮トランスである。 Scare は,(1) ビン間の境界情報を保持しながら時系列データを対数的に圧縮するシーケンスレンズプロジェクタ (SLP) ,(2) コストのかかる乗算をバイナリハッシュコードによるビットワイズ操作に置き換える効率的なビットワイズアテンション (EBA) モジュール,(3) 補助損失項のない安定したトレーニングを保証するハッシュ最適化戦略の3つのコアコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-11-10T05:16:20Z)
• In-memory Training on Analog Devices with Limited Conductance States via Multi-tile Residual Learning [59.091567092071564]
  インメモリトレーニングは通常、デジタルベースラインに合わせて少なくとも8ビットのコンダクタンス状態を必要とする。 ReRAMのような多くの有望な中間デバイスは、製造制約のため、約4ビットの解像度しか提供しない。 本稿では,残差を補うために複数のクロスバータイルを逐次学習する語彙学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-02T19:44:25Z)
• CMT: Mid-Training for Efficient Learning of Consistency, Mean Flow, and Flow Map Models [75.81132530657682]
  Consistency Models (CM) や Mean Flow (MF) のようなフローマップモデルは、拡散モデルのODE解の長い跳躍を学習することで、少数のステップ生成を可能にする。 本研究では,(拡散)事前学習と最終フローマップトレーニングの間に,軽量な中間段階を挿入する最初の概念と実践的手法であるミドルトレーニングを紹介する。
  論文  参考訳（メタデータ） (2025-09-29T09:42:08Z)
• Zero-shot Autonomous Microscopy for Scalable and Intelligent Characterization of 2D Materials [41.856704526703595]
  従来、原子スケールの材料の特徴付けには、数ヶ月から数年の専門的な訓練を必要とする。 このボトルネックは、大規模なトレーニングデータセットを必要とせずに研究目的を理解できる完全自律的な実験システムへの需要を加速させる。 本稿では,2次元材料の完全自律的ゼロショットキャラクタリゼーションを実現するため,基礎モデルを統合するエンドツーエンドフレームワークであるATOMICを提案する。
  論文  参考訳（メタデータ） (2025-04-14T14:49:45Z)
• On-Chip Learning with Memristor-Based Neural Networks: Assessing Accuracy and Efficiency Under Device Variations, Conductance Errors, and Input Noise [0.0]
  本稿では,オンチップトレーニングと推論のためのメモリメモリハードウェアアクセラレータを提案する。 30メムリスタと4つのニューロンからなるハードウェアは、タングステン、クロム、炭素媒体を持つ3つの異なるM-SDC構造を用いてバイナリ画像分類タスクを実行する。
  論文  参考訳（メタデータ） (2024-08-26T23:10:01Z)
• 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)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Mixed Precision of Quantization of Transformer Language Models for Speech Recognition [67.95996816744251]
  トランスフォーマーが表現する最先端のニューラルネットワークモデルは、実用アプリケーションにとってますます複雑で高価なものになりつつある。 現在の低ビット量子化法は、均一な精度に基づいており、量子化エラーに対するシステムの異なる部分での様々な性能感度を考慮できない。 最適局所精度設定は2つの手法を用いて自動的に学習される。 Penn Treebank (PTB)とSwitchboard corpusによるLF-MMI TDNNシステムの試験を行った。
  論文  参考訳（メタデータ） (2021-11-29T09:57:00Z)

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。