一种用于半导体自旋量子比特自动微调的机器学习方法
介观与纳米尺度物理
2019-04-12 v2
摘要
尽管基于栅极定义量子点的自旋量子比特已展现出非常利于量子计算的性能，剩下的一个障碍是通过调节施加于静电栅极的电压将每个量子比特调谐至良好工作区间。这些调谐程序的自动化是基于栅极定义量子点的量子处理器运行的必要条件，但尚未完全解决。我们提出了一种量子点自动微调算法，并在GaAs中的半导体单态-三重态量子比特上展示了其性能。该算法采用基于贝叶斯统计的卡尔曼滤波器来估计目标参数随栅极电压变化的梯度，从而学习系统响应。该算法的设计侧重于减少所需测量次数。我们通过实验证明能够在3到5次迭代内改变量子比特的工作区间，对应于10到15分钟的实验室时间。
引用
@article{arxiv.1901.01972,
title = {A Machine Learning Approach for Automated Fine-Tuning of Semiconductor Spin Qubits},
author = {Julian D. Teske and Simon Humpohl and René Otten and Patrick Bethke and Pascal Cerfontaine and Jonas Dedden and Arne Ludwig and Andreas D. Wieck and Hendrik Bluhm},
journal= {arXiv preprint arXiv:1901.01972},
year = {2019}
}