面向Majorana模式的量子点哈密顿量AI增强调谐

我们提出了一种基于神经网络的模型，能够学习量子点模拟器中工作 regimes 的广阔图景，并利用这一知识来自动调谐这些设备——基于传输测量——以实现Majorana模式。该模型是基于对合成数据的无监督方式进行训练，合成数据形式为导电率图谱，使用包含Majorana零模关键属性的物理信息损失函数进行训练。我们展示了，具有适当的训练后，深度视觉转换器网络能够高效地记忆哈密顿量参数与导电率图上的结构之间的关系，并用于提出针对量子点链的参数更新，以驱动系统进入拓扑相。从参数空间中广泛的初始 detuning 开始，仅需一次更新即可生成非平凡的零模。此外，通过启用迭代调谐程序——即系统在每一步获取更新的导电率图——我们证明了该方法能够处理更大的参数空间区域。