极小 Kitaev 链中量子点的对抗哈密顿量学习
介观与纳米尺度物理
2024-04-16 v1 无序系统与神经网络
量子物理
摘要
从含噪实验测量中确定哈密顿量参数是实验量子系统控制的一项关键任务。近年来出现且哈密顿量参数知识对精细调节系统至关重要的实验平台是基于量子点的 Kitaev 链。在本工作中，我们展示了一种对抗机器学习算法，用于确定基于量子点的 Kitaev 链的的参数。我们用模拟的差分电导数据训练卷积条件生成对抗神经网络（Conv-cGAN），并利用该模型预测预计出现马约拉纳束缚态的参数。特别地，Conv-cGAN 模型促进了对描述弹性共隧穿与交叉安德烈夫反射机制之间转变的相图的快速、数值高效的探索。我们通过将模型应用于由超导体-半导体杂化耦合的两个自旋极化量子点组成的最小 Kitaev 链的实验测量电导，验证了模型的理论预测。我们的模型以平均 的成功概率准确预测测量是在弹性共隧穿还是交叉安德烈夫反射主导机制下进行的。我们的工作构成了迈向快速、可靠参数预测以将量子点系统调节至不同哈密顿量机制的一块垫脚石。最终，我们的结果给出了一种可扩展至更长链路的 Kitaev 链调节支持策略。
引用
@article{arxiv.2304.10852,
title = {Adversarial Hamiltonian learning of quantum dots in a minimal Kitaev chain},
author = {Rouven Koch and David van Driel and Alberto Bordin and Jose L. Lado and Eliska Greplova},
journal= {arXiv preprint arXiv:2304.10852},
year = {2024}
}