Dec, 2019

使用神经网络自动调谐双量子点至特定电荷状态

PDF
TL;DR本文介绍了一种基于机器学习的算法，使用少量粗粒度测量值作为输入，将量子点系统调整到预选的电荷状态，为自动调整量子点 qubit 迈出了关键一步。作者还将该算法在 GaAs 双量子点器件上进行了训练和测试，并成功将系统成功调整到预期状态或其相邻区域。
quantum dotsmulti-dot systemsautomated tuningmachine learninggaas double quantum dot
发现论文，激发创造
  • 鲁棒的量子点电荷调谐利用神经网络的不确定性

    通过使用机器学习方法，自动调节半导体自旋量子比特的电荷，以实现量子点技术的规模化，该方法利用人工神经网络识别稳定图中的噪声转变线路，引导鲁棒的探索策略，并成功应用于不同类型的单量子点技术，成功调谐率超过 99％。

    Jun, 2024

  • 量子点器件自动化的数据需求和挑战：研讨会报告

    自动化调谐方法对于解决当前的挑战是至关重要的，其中关键的问题包括数据集、基准测试和标准化。我们介绍了量子点设备调谐和操作的自动化挑战，并概述了量子点社区提出的应对方法。

    Dec, 2023

  • QDA$^2$: 自动标注电荷稳定图的原则性方法

    通过使用几何原理来自动解释和标记实验获取的数据，量子点（QD）自动注释器是构建一个大型公共库的第一步，该库包含了实验双量子点电荷稳定性图的状态标签化的 QD 数据。

    Dec, 2023

  • 使用机器学习高效测量量子设备

    利用机器学习算法的自动化测量方法可以提高量子系统的测量效率，并为大型量子电路的自动化控制打下基础。

    Oct, 2018

  • 自主调谐自旋量子位

    我们在这项研究中展示了第一个完全自治的半导体量子位的调谐，通过深度学习、贝叶斯优化和计算机视觉技术，实现了从基态到 Rabi 振荡的自动化，这标志着量子位成功运行。我们预计这种自动化算法可以应用于广泛的半导体量子位设备，允许对量子位质量指标进行统计研究，这将推动大规模、未被探索的量子电路的运行。

    Feb, 2024

  • 机器学习辅助和实时反馈控制的 InAs/GaAs 量子点生长

    本文研究基于机器学习和反射高能电子衍射技术，建立了一个在原位快速优化气相外延生长量子点的方法，可以显著加快表面形态优化过程并提高 MBE 生长的可再现性。

    Jun, 2023

  • 利用神经网络进行自适应量子态重构

    本文提出 ‘ NA-QST’ 算法，使用机器学习、粒子群优化和贝叶斯粒子滤波方法，降低了从 O（poly（n））到 O（log（n））的复杂度，使量子态重构的速度快了数百万倍，精度不受影响。同时讨论了在各类射影测量值的情况下的适应性。

    Dec, 2018

  • 基于光量子计算机的状态制备和门合成机器学习方法

    利用机器学习和优化技术，我们使用基于连续变量的量子神经网络作为电路结构，通过寻找量子电路来实现输入和输出状态之间的变换，以及合成单光子、Gottesman-Kitaev-Preskill 态、NOON 态、立方相位门、随机酉门、Cross-Kerr 相互作用等多种状态和门。

    Jul, 2018

  • 量子细胞神经网络

    本文探讨了一种新的方法，利用耦合的量子点细胞构建模拟细胞神经网络（Cellular Neural Network，CNN），而非重现布尔逻辑，以物理相邻连接的方式替代数字计算元件 —— 量子点元胞自动机（Quantum-Dot Cellular Automata，QCA）。

    May, 2000

  • 量子点器件测量的可解释分类技术

    在物理科学中，图像数据的稳健特征表示需求日益增长，我们考虑到包括量子信息科学在内的许多领域已经广泛采用广义上的二维数据的图像获取。传统的图像特征虽然在这些情况下被广泛使用，但由于牺牲可解释性以换取高准确性，它们的使用正在迅速被基于神经网络的技术取代。为了改善这种权衡，我们提出了一种基于合成数据的技术，能够产生解释性特征。我们利用可解释性提升机 (Evidence-Based Boosting Machines, EBMs) 表明，这种方法在不牺牲准确性的前提下提供了更好的可解释性。具体而言，我们展示了在量子点调谐的背景下，这种技术能够带来有意义的益处，因为目前在该领域需要人为干预。

    Feb, 2024