Tuning arrays with rays: Physics-informed tuning of quantum dot charge states

要約

ゲート定義型量子ドット（QD）を用いた量子コンピュータは、スケールアップが期待されています。しかし、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較正する負担は不合理になり、自律的なチューニングを使用する必要があります。最近、粗いゲート範囲、グローバルな状態トポロジー（例：シングルQD、ダブルQD）、電荷、トンネル結合など、さまざまなQDパラメーターをさまざまな方法で自動調整する実証実験が行われています。ここでは、物理情報チューニング（PIT）とみなされるフレームワークにおいて、グローバル状態と電荷の自動チューニングのための直感的で信頼性が高く、データ効率の良いツール群を実証します。PITの最初のモジュールは、機械学習（ML）分類器と物理知識を組み合わせて、目標グローバル状態へナビゲートするアクションベースのアルゴリズムです。第二のモジュールは、一連の一次元測定値を用いて、まずQDの電荷を空にし、次に容量性カップリングを較正し、目標の電荷状態へナビゲートすることにより、目標電荷状態へチューニングします。アクションベースのチューニングの成功率は、オフラインテストに適したシミュレーションと実験データの両方で、一貫して$95~%$を超えます。充電設定の成功率は、シミュレーションデータでのテストでは$95.5(5.4)~%$と同等であり、オフラインの実験テストでは平均$89.7(17.4)~%$（中央値$97.5~%$）とわずかに悪いだけであった。注目すべきは、学術的なクリーンルームで製造されたサンプルと、工業用300mmプロセスラインの両方で高い性能が実証されたことで、PITのデバイス非依存性がさらに明確になりました。このように、さまざまな模擬デバイスや実験デバイスを用いたテストにより、PITの有効性と堅牢性が実証されました。

要約(オリジナル)

Quantum computers based on gate-defined quantum dots (QDs) are expected to scale. However, as the number of qubits increases, the burden of manually calibrating these systems becomes unreasonable and autonomous tuning must be used. There have been a range of recent demonstrations of automated tuning of various QD parameters such as coarse gate ranges, global state topology (e.g. single QD, double QD), charge, and tunnel coupling with a variety of methods. Here, we demonstrate an intuitive, reliable, and data-efficient set of tools for automated global state and charge tuning in a framework deemed physics-informed tuning (PIT). The first module of PIT is an action-based algorithm that combines a machine learning (ML) classifier with physics knowledge to navigate to a target global state. The second module uses a series of one-dimensional measurements to tune to a target charge state by first emptying the QDs of charge, followed by calibrating capacitive couplings, and navigating to the target charge state. The success rate for the action-based tuning consistently surpasses $95~\%$ on both simulated and experimental data suitable for off-line testing. The success rate for charge setting is comparable when testing with simulated data, at $95.5(5.4)~\%$, and only slightly worse for off-line experimental tests, with an average of $89.7(17.4)~\%$ (median $97.5~\%$). It’s noteworthy that the high performance is demonstrated both on data from samples fabricated in an academic cleanroom as well as on an industrial 300 mm process line, further underlining the device-agnosticity of PIT. Together, these tests on a range of simulated and experimental devices demonstrate the effectiveness and robustness of PIT.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL