Identificare il blocco dello spin di Pauli utilizzando il deep learning

Identificare il blocco dello spin di Pauli utilizzando il deep learning

Timestamp: 8 agosto 2023 10:27

Jonas Schuff1, Dominic T. Lennon1, Simon Geyer2, David L. Craig1, Federico Fedele1, Florian Vigneau1, Leon C. Camenzind2, Andreas V. Kuhlmann2, G. Andrew D. Briggs1, Dominik M.Zumbühl2, Dino Sejdinovic3e Natalia Ares4

1Dipartimento dei Materiali, Università di Oxford, Oxford OX1 3PH, Regno Unito
2Dipartimento di Fisica, Università di Basilea, 4056 Basilea, Svizzera
3Scuola di Scienze Informatiche e Matematiche e AIML, Università di Adelaide, SA 5005, Australia
4Dipartimento di Scienze Ingegneria, Università di Oxford, Oxford OX1 3PJ, Regno Unito

Trovi questo documento interessante o vuoi discuterne? Scrivi o lascia un commento su SciRate.

Astratto

Il blocco dello spin di Pauli (PSB) può essere impiegato come un'ottima risorsa per l'inizializzazione e la lettura dei qubit di spin anche a temperature elevate, ma può essere difficile da identificare. Presentiamo un algoritmo di apprendimento automatico in grado di identificare automaticamente il PSB utilizzando misurazioni del trasporto di carica. La scarsità di dati PSB viene aggirata addestrando l'algoritmo con dati simulati e utilizzando la convalida cross-device. Dimostriamo il nostro approccio su un dispositivo transistor a effetto di campo in silicio e riportiamo una precisione del 96% su diversi dispositivi di test, dimostrando che l'approccio è robusto rispetto alla variabilità del dispositivo. Si prevede che il nostro algoritmo, un passaggio essenziale per realizzare una sintonizzazione dei qubit completamente automatica, possa essere impiegato in tutti i tipi di dispositivi a punti quantici.

Identificazione del blocco dello spin di Pauli utilizzando il deep learning PlatoBlockchain Data Intelligence. Ricerca verticale. Ai.

Immagine in primo piano: Illustrazione di un rilevatore di blocco dello spin Pauli

Riepilogo popolare

Abbiamo sviluppato un algoritmo di machine learning per rilevare automaticamente un effetto sfuggente legato al funzionamento di dispositivi che attualmente compaiono tra le architetture candidate preferite per le tecnologie quantistiche, i qubit a semiconduttore. Questo è un passo importante verso il calcolo quantistico scalabile con circuiti a semiconduttore. L'effetto, Pauli spin blockade (PSB), può essere utilizzato per avviare e leggere i qubit, un requisito fondamentale dell'informatica quantistica. Tuttavia, rilevare il PSB è impegnativo a causa della sua rarità e sensibilità alle variazioni dei materiali e ai difetti di fabbricazione. Per superare questo problema, abbiamo utilizzato un simulatore ispirato alla fisica e un metodo chiamato convalida cross-device, addestrando l'algoritmo sui dati di un dispositivo e testandolo su un altro. Dimostrato su un dispositivo transistor a effetto di campo al silicio, l'algoritmo ha raggiunto una precisione del 96% nell'identificazione del PSB su diversi dispositivi di test. È interessante notare che lo studio ha riscontrato che i dati simulati sono più importanti per l’addestramento dell’algoritmo rispetto ai dati del mondo reale, principalmente a causa della disponibilità limitata di dati sperimentali completi. Questa ricerca accelera la realizzazione di computer quantistici pratici e scalabili.

► dati BibTeX

► Riferimenti

, Daniel Loss e David P DiVincenzo. Calcolo quantistico con punti quantici. Physical Review A, 57 (1): 120, 1998. 10.1103/​PhysRevA.57.120.
https: / / doi.org/ 10.1103 / PhysRevA.57.120

, LMK Vandersypen, H Bluhm, JS Clarke, AS Dzurak, R Ishihara, A Morello, DJ Reilly, LR Schreiber e M Veldhorst. Interfacciamento di qubit di spin in punti quantici e donatori: caldi, densi e coerenti. npj Quantum Information, 3 (1): 1–10, 2017. 10.1038/​s41534-017-0038-y.
https: / / doi.org/ 10.1038 / s41534-017-0038-y

, Toivo Hensgens, Takafumi Fujita, Laurens Janssen, Xiao Li, CJ Van Diepen, Christian Reichl, Werner Wegscheider, S Das Sarma e Lieven MK Vandersypen. Simulazione quantistica di un modello di Fermi-Hubbard utilizzando un array di punti quantici a semiconduttore. Natura, 548 (7665): 70–73, 2017. 10.1038/​nature23022.
https: / / doi.org/ 10.1038 / nature23022

, Menno Veldhorst, CH Yang, JCC Hwang, W Huang, JP Dehollain, JT Muhonen, S Simmons, A Laucht, FE Hudson, Kohei M Itoh, et al. Una porta logica a due qubit in silicio. Natura, 526 (7573): 410–414, 2015. 10.1038/​nature15263.
https: / / doi.org/ 10.1038 / nature15263

, Pascal Cerfontaine, Tim Botzem, Julian Ritzmann, Simon Sebastian Humpohl, Arne Ludwig, Dieter Schuh, Dominique Bougeard, Andreas D Wieck e Hendrik Bluhm. Controllo ad anello chiuso di un qubit spin singoletto-tripletto basato su GaAs con fedeltà del gate del 99.5% e bassa perdita. Nature Communications, 11 (1): 1–6, 2020. 10.1038/​s41467-020-17865-3.
https:/​/​doi.org/​10.1038/​s41467-020-17865-3

, Akito Noiri, Kenta Takeda, Takashi Nakajima, Takashi Kobayashi, Amir Sammak, Giordano Scappucci e Seigo Tarucha. Porta quantistica universale veloce al di sopra della soglia di tolleranza ai guasti nel silicio. Natura, 601 (7893): 338–342, 2022. 10.1038/​s41586-021-04182-y.
https: / / doi.org/ 10.1038 / s41586-021-04182-y

, Stephan GJ Philips, Mateusz T Mądzik, Sergey V Amitonov, Sander L de Snoo, Maximilian Russ, Nima Kalhor, Christian Volk, William IL Lawrie, Delphine Brousse, Larysa Tryputen, et al. Controllo universale di un processore quantistico a sei qubit in silicio. Natura, 609 (7929): 919–924, 2022. 10.1038/​s41586-022-05117-x.
https: / / doi.org/ 10.1038 / s41586-022-05117-x

, Federico Fedele, Anasua Chatterjee, Saeed Fallahi, Geoffrey C Gardner, Michael J Manfra e Ferdinand Kuemmeth. Operazioni simultanee in un array bidimensionale di qubit singoletto-tripletto. PRX Quantum, 2 (4): 040306, 2021. 10.1103/​PRXQuantum.2.040306.
https: / / doi.org/ 10.1103 / PRXQuantum.2.040306

, Luca Petit, HGJ Eenink, M Russ, WIL Lawrie, NW Hendrickx, SGJ Philips, JS Clarke, LMK Vandersypen e M Veldhorst. Logica quantistica universale nei qubit di silicio caldo. Natura, 580 (7803): 355–359, 2020. 10.1038/​s41586-020-2170-7.
https:/​/​doi.org/​10.1038/​s41586-020-2170-7

, Chih Heng Yang, RCC Leon, JCC Hwang, Andre Saraiva, Tuomo Tanttu, Wister Huang, J Camirand Lemyre, Kok Wai Chan, KY Tan, Fay E Hudson, et al. Funzionamento di una cella unitaria del processore quantistico al silicio sopra un Kelvin. Natura, 580 (7803): 350–354, 2020. 10.1038/​s41586-020-2171-6.
https:/​/​doi.org/​10.1038/​s41586-020-2171-6

, Leon C Camenzind, Simon Geyer, Andreas Fuhrer, Richard J Warburton, Dominik M Zumbühl e Andreas V Kuhlmann. Un qubit con spin del buco in un transistor ad effetto di campo con pinna superiore a 4 Kelvin. Nature Electronics, 5 (3): 178–183, 2022. 10.1038/​s41928-022-00722-0.
https:/​/​doi.org/​10.1038/​s41928-022-00722-0

, Ronald Hanson, Leo P Kouwenhoven, Jason R Petta, Seigo Tarucha e Lieven MK Vandersypen. Ruota in punti quantici di pochi elettroni. Recensioni di fisica moderna, 79 (4): 1217, 2007. 10.1103/RevModPhys.79.1217.
https: / / doi.org/ 10.1103 / RevModPhys.79.1217

, Luca Petit, Maximilian Russ, Gertjan HGJ Eenink, William IL Lawrie, James S Clarke, Lieven MK Vandersypen e Menno Veldhorst. Progettazione e integrazione di rotazioni a singolo qubit e porte a due qubit in silicio sopra un Kelvin. Materiali di comunicazione, 3 (1): 82, 2022. 10.1038/​s43246-022-00304-9.
https:/​/​doi.org/​10.1038/​s43246-022-00304-9

, J Darulová, SJ Pauka, N Wiebe, KW Chan, GC Gardener, MJ Manfra, MC Cassidy e Matthias Troyer. Sintonizzazione autonoma e rilevamento dello stato di carica di punti quantici definiti dal gate. Physical Review Applied, 13 (5): 054005, 2020. 10.1103/​PhysRevApplied.13.054005.
https: / / doi.org/ 10.1103 / PhysRevApplied.13.054005

, H Moon, DT Lennon, J Kirkpatrick, NM van Esbroeck, LC Camenzind, Liuqi Yu, F Vigneau, DM Zumbühl, G Andrew D Briggs, MA Osborne, et al. L’apprendimento automatico consente la messa a punto completamente automatica di un dispositivo quantistico più velocemente degli esperti umani. Nature Communications, 11 (1): 1–10, 2020. 10.1038/​s41467-020-17835-9.
https:/​/​doi.org/​10.1038/​s41467-020-17835-9

, Brandon Severin, Dominic T Lennon, Leon C Camenzind, Florian Vigneau, F Fedele, D Jirovec, A Ballabio, D Chrastina, G Isella, M de Kruijf, et al. Ottimizzazione interarchitettura di dispositivi quantistici basati su silicio e SiGe utilizzando l'apprendimento automatico. arXiv prestampa arXiv:2107.12975, 2021. 10.48550/​arXiv.2107.12975.
https://​/​doi.org/​10.48550/​arXiv.2107.12975
arXiv: 2107.12975

, Timothy A Baart, Pieter T Eendebak, Christian Reichl, Werner Wegscheider e Lieven MK Vandersypen. Sintonizzazione automatizzata da computer di doppi punti quantici di semiconduttori nel regime di singolo elettrone. Lettere di fisica applicata, 108 (21): 213104, 2016. 10.1063/​1.4952624.
https: / / doi.org/ 10.1063 / 1.4952624 mila

, Sandesh S Kalantre, Justyna P Zwolak, Stephen Ragole, Xingyao Wu, Neil M Zimmerman, Michael D Stewart e Jacob M Taylor. Tecniche di machine learning per il riconoscimento dello stato e l'autotuning nei punti quantici. npj Quantum Information, 5 (1): 1–10, 2019. 10.1038/​s41534-018-0118-7.
https:/​/​doi.org/​10.1038/​s41534-018-0118-7

, Justyna P Zwolak, Thomas McJunkin, Sandesh S Kalantre, JP Dodson, ER MacQuarrie, DE Savage, MG Lagally, SN Coppersmith, Mark A Eriksson e Jacob M Taylor. Autotuning di dispositivi a doppio punto in situ con machine learning. Physical Review Applied, 13 (3): 034075, 2020. 10.1103/​PhysRevApplied.13.034075.
https: / / doi.org/ 10.1103 / PhysRevApplied.13.034075

, V Nguyen, SB Orbell, Dominic T Lennon, Hyungil Moon, Florian Vigneau, Leon C Camenzind, Liuqi Yu, Dominik M Zumbühl, G Andrew D Briggs, Michael A Osborne, et al. Apprendimento profondo per rinforzo per la misurazione efficiente di dispositivi quantistici. npj Quantum Information, 7 (1): 1–9, 2021. 10.1038/​s41534-021-00434-x.
https: / / doi.org/ 10.1038 / s41534-021-00434-x

, Justyna P Zwolak, Thomas McJunkin, Sandesh S Kalantre, Samuel F Neyens, ER MacQuarrie, Mark A Eriksson e Jacob M Taylor. Framework basato su raggi per l'identificazione dello stato nei dispositivi a punti quantici. PRX Quantum, 2 (2): 020335, 2021. 10.1103/​PRXQuantum.2.020335.
https: / / doi.org/ 10.1103 / PRXQuantum.2.020335

, NM van Esbroeck, DT Lennon, H Moon, V Nguyen, F Vigneau, LC Camenzind, L Yu, DM Zumbühl, GAD Briggs, Dino Sejdinovic, et al. Messa a punto del dispositivo quantistico utilizzando l'apprendimento tramite incorporamento non supervisionato. New Journal of Physics, 22 (9): 095003, 2020. 10.1088/​1367-2630/​abb64c.
https://​/​doi.org/​10.1088/​1367-2630/​abb64c

, Julian D Teske, Simon Sebastian Humpohl, René Otten, Patrick Bethke, Pascal Cerfontaine, Jonas Dedden, Arne Ludwig, Andreas D Wieck e Hendrik Bluhm. Un approccio di machine learning per la messa a punto automatizzata degli spin qubit dei semiconduttori. Lettere di fisica applicata, 114 (13): 133102, 2019. 10.1063/​1.5088412.
https: / / doi.org/ 10.1063 / 1.5088412 mila

, CJ Van Diepen, Pieter T Eendebak, Bruno T Buijtendorp, Uditendu Mukhopadhyay, Takafumi Fujita, Christian Reichl, Werner Wegscheider e Lieven MK Vandersypen. Regolazione automatizzata dell'accoppiamento tunnel inter-punto in doppi punti quantici. Lettere di fisica applicata, 113 (3): 033101, 2018. 10.1063/​1.5031034.
https: / / doi.org/ 10.1063 / 1.5031034 mila

, Tim Botzem, Michael D Shulman, Sandra Foletti, Shannon P Harvey, Oliver E Dial, Patrick Bethke, Pascal Cerfontaine, Robert PG McNeil, Diana Mahalu, Vladimir Umansky, et al. Metodi di ottimizzazione per qubit di spin a semiconduttore. Physical Review Applied, 10 (5): 054026, 2018. 10.1103/​PhysRevApplied.10.054026.
https: / / doi.org/ 10.1103 / PhysRevApplied.10.054026

, David L Craig, Hyungil Moon, Federico Fedele, Dominic T Lennon, Barnaby van Straaten, Florian Vigneau, Leon C Camenzind, Dominik M Zumbühl, G Andrew D Briggs, Michael A Osborne, Dino Seijdinovic e Natalia Ares. Colmare il divario della realtà nei dispositivi quantistici con l’apprendimento automatico basato sulla fisica. arXiv prestampa arXiv:2111.11285, 2021. 10.48550/​arXiv.2111.11285.
https://​/​doi.org/​10.48550/​arXiv.2111.11285
arXiv: 2111.11285

, Stefanie Czischek, Victor Yon, Marc-Antoine Genest, Marc-Antoine Roux, Sophie Rochette, Julien Camirand Lemyre, Mathieu Moras, Michel Pioro-Ladrière, Dominique Drouin, Yann Beilliard, et al. Miniaturizzazione delle reti neurali per l'autotuning dello stato di carica nei punti quantici. Apprendimento automatico: scienza e tecnologia, 3 (1): 015001, 2021. 10.1088/​2632-2153/​ac34db.
https://​/​doi.org/​10.1088/​2632-2153/​ac34db

, Renato Durrer, Benedikt Kratochwil, Jonne V Koski, Andreas J Landig, Christian Reichl, Werner Wegscheider, Thomas Ihn e Eliska Greplova. Sintonizzazione automatizzata di doppi punti quantici in stati di carica specifici utilizzando reti neurali. Physical Review Applied, 13 (5): 054019, 2020. 10.1103/​PhysRevApplied.13.054019.
https: / / doi.org/ 10.1103 / PhysRevApplied.13.054019

, Maxime Lapointe-Major, Olivier Germain, J Camirand Lemyre, Dany Lachance-Quirion, Sophie Rochette, F Camirand Lemyre e Michel Pioro-Ladrière. Algoritmo per la sintonizzazione automatizzata di un punto quantico nel regime di singolo elettrone. Physical Review B, 102 (8): 085301, 2020. 10.1103/​PhysRevB.102.085301.
https: / / doi.org/ 10.1103 / PhysRevB.102.085301

, Yuta Matsumoto, Takafumi Fujita, Arne Ludwig, Andreas D Wieck, Kazunori Komatani e Akira Oiwa. Classificazione robusta del rumore delle letture dello spin elettronico a colpo singolo utilizzando una rete neurale profonda. npj Quantum Information, 7 (1): 1–7, 2021. 10.1038/​s41534-021-00470-7.
https:/​/​doi.org/​10.1038/​s41534-021-00470-7

, Jana Darulová, Matthias Troyer e Maja C Cassidy. Valutazione di dati di addestramento sintetici e sperimentali nell'apprendimento automatico supervisionato applicato al rilevamento dello stato di carica dei punti quantici. Apprendimento automatico: scienza e tecnologia, 2021. 10.1088/​2632-2153/​ac104c.
https://​/​doi.org/​10.1088/​2632-2153/​ac104c

, Simon Geyer, Leon C Camenzind, Lukas Czornomaz, Veeresh Deshpande, Andreas Fuhrer, Richard J Warburton, Dominik M Zumbühl e Andreas V Kuhlmann. Porte autoallineate per il calcolo quantistico scalabile del silicio. Lettere di fisica applicata, 118 (10): 104004, 2021. 10.1063/​5.0036520.
https: / / doi.org/ 10.1063 / 5.0036520 mila

, Franck HL Koppens, Joshua A Folk, Jeroen M Elzerman, Ronald Hanson, LH Willems Van Beveren, Ivo T Vink, Hans-Peter Tranitz, Werner Wegscheider, Leo P Kouwenhoven e Lieven MK Vandersypen. Controllo e rilevazione del mescolamento singoletto-tripletto in un campo nucleare casuale. Science, 309 (5739): 1346–1350, 2005. 10.1126/science.1113719.
https: / / doi.org/ 10.1126 / science.1113719

, Matthias Brauns, Joost Ridderbos, Ang Li, Erik PAM Bakkers, Wilfred G Van Der Wiel e Floris A Zwanenburg. Blocco dello spin di Pauli anisotropico nei punti quantici dei buchi. Physical Review B, 94 (4): 041411, 2016. 10.1103/​PhysRevB.94.041411.
https: / / doi.org/ 10.1103 / PhysRevB.94.041411

, J Danon e Yu V Nazarov. Blocco dello spin di Pauli in presenza di un forte accoppiamento spin-orbita. Physical Review B, 80 (4): 041301, 2009. 10.1103/​PhysRevB.80.041301.
https: / / doi.org/ 10.1103 / PhysRevB.80.041301

, S Nadj-Perge, SM Frolov, JWW Van Tilburg, J Danon, Yu V Nazarov, R Algra, EPAM Bakkers e LP Kouwenhoven. Districare gli effetti delle interazioni spin-orbita e iperfini sul blocco dello spin. Physical Review B, 81 (20): 201305, 2010. 10.1103/​PhysRevB.81.201305.
https: / / doi.org/ 10.1103 / PhysRevB.81.201305

, Ruoyu Li, Fay E Hudson, Andrew S Dzurak e Alexander R Hamilton. Blocco dello spin di Pauli di buchi pesanti in un doppio punto quantico di silicio. Nano Letters, 15 (11): 7314–7318, 2015. 10.1021/acs.nanolett.5b02561.
https: / / doi.org/ 10.1021 / acs.nanolett.5b02561

, FNM Froning, MJ Rančić, B Hetényi, S Bosco, MK Rehmann, Ang Li, Erik PAM Bakkers, Floris Arnoud Zwanenburg, Daniel Loss, DM Zumbühl, et al. Forte interazione spin-orbita e rinormalizzazione del fattore g degli spin delle lacune nei punti quantici di nanofili di Ge/Si. Ricerca sulla revisione fisica, 3 (1): 013081, 2021. 10.1103/​PhysRevResearch.3.013081.
https: / / doi.org/ 10.1103 / PhysRevResearch.3.013081

, TH Stoof e Yu V Nazarov. Tunneling risonante dipendente dal tempo tramite due stati discreti. Physical Review B, 53 (3): 1050, 1996. 10.1103/​PhysRevB.53.1050.
https: / / doi.org/ 10.1103 / PhysRevB.53.1050

, Kaiming He, Xiangyu Zhang, Shaoqing Ren e Jian Sun. Apprendimento residuo profondo per il riconoscimento delle immagini. In Atti della conferenza IEEE sulla visione artificiale e il riconoscimento di modelli, pagine 770–778, 2016. 10.1109/​CVPR.2016.90.
https: / / doi.org/ 10.1109 / CVPR.2016.90

, Manutentori e contributori di TorchVision. Torchvision: libreria di visione artificiale di Pytorch. https://​/​github.com/​pytorch/​vision, 2016.
https://​/​github.com/​pytorch/​vision

, Yann LeCun, Léon Bottou, Yoshua Bengio e Patrick Haffner. Apprendimento basato sui gradienti applicato al riconoscimento dei documenti. Atti dell'IEEE, 86 (11): 2278–2324, 1998. 10.1109/​5.726791.
https: / / doi.org/ 10.1109 / 5.726791 mila

, Diederik P Kingma e Jimmy Ba. Adam: Un metodo per l'ottimizzazione stocastica. arXiv prestampa arXiv:1412.6980, 2014. 10.48550/​arXiv.1412.6980.
https://​/​doi.org/​10.48550/​arXiv.1412.6980
arXiv: 1412.6980

, Adam Paszke, Sam Gross, Francisco Massa, Adam Lerer, James Bradbury, Gregory Chanan, Trevor Killeen, Zeming Lin, Natalia Gimelshein, Luca Antiga, Alban Desmaison, Andreas Kopf, Edward Yang, Zachary DeVito, Martin Raison, Alykhan Tejani, Sasank Chilamkurthy , Benoit Steiner, Lu Fang, Junjie Bai e Soumith Chintala. PyTorch: una libreria di deep learning ad alte prestazioni in stile imperativo. In H. Wallach, H. Larochelle, A. Beygelzimer, F. d'Alché-Buc, E. Fox e R. Garnett, editori, Advances in Neural Information Processing Systems 32, pagine 8024–8035. Curran Associates, Inc., 2019. 10.48550/​arXiv.1912.01703.
https://​/​doi.org/​10.48550/​arXiv.1912.01703

Citato da

[1] Ludmila Szulakowska e Jun Dai, "Autotuning bayesiano dei simulatori quantistici del modello Hubbard", arXiv: 2210.03077, (2022).

Le citazioni sopra sono di ANNUNCI SAO / NASA (ultimo aggiornamento riuscito 2023-08-08 14:42:46). L'elenco potrebbe essere incompleto poiché non tutti gli editori forniscono dati di citazione adeguati e completi.

Impossibile recuperare Crossref citato da dati durante l'ultimo tentativo 2023-08-08 14:42:44: Impossibile recuperare i dati citati per 10.22331 / q-2023-08-08-1077 da Crossref. Questo è normale se il DOI è stato registrato di recente.

Questo documento è pubblicato in Quantum sotto il Creative Commons Attribuzione 4.0 Internazionale (CC BY 4.0) licenza. Il copyright rimane dei detentori del copyright originali come gli autori o le loro istituzioni.

Timestamp:

Di più da Diario quantistico