QDA$^2$: 自动标注电荷稳定图的原则性方法
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
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。
Dec, 2019
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
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
使用基于无监督分割的计算机视觉方法构建的偏置三角特征提取框架,可以方便直接识别和量化其物理特性,从而避免了人力输入或大型训练数据集用于监督学习方法,并实现了逐像素形状和特征标签的自动化。特别是,通过这种方法,可以有效、高效且无需训练数据地进行 Pauli 自旋阻塞检测。
Dec, 2023
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
本文研究了量子退火算法在组合优化和相关抽样任务中相对于经典最新方法实现量子加速的前景,并且基于对既有文献中引入的多种启发式量子优化算法的改进相干时间以及控制能力的持续探索和兴趣,提出了包括连续时间哈密顿计算算法、反向退火和连续时间量子行走在内的 QA 有前途的变体,同时就机器学习的参数化量子电路的模拟提出了类比算法,这些算法大多没有(或被认为不可能有)已知的高效古典模拟,其中大多数算法的 “中等规模” 实验可能存在量子加速的可行可能性。建议通过在使能交换耦合通量量子比特时实现的时间依赖有效横向场伊辛哈密顿量生成的新型量子动力学的全面研究来实现更先进的控制协议以及 DQA 的最有前途的路径。
Aug, 2020
本研究提出了一个新的混合系统,通过使用多目标遗传算法,自动生成和训练基于量子启发式分类器来处理灰度图像。通过定义动态适应性函数来确保所提出的技术具有通用性和鲁棒性,我们能够在视觉数据集上获得最小电路和最高精度,同时在量子电路和图像降维方法之间进行比较。
Aug, 2022
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