基于机器学习的量子点器件单层和双层异构结构的自动静电表征
介观与纳米尺度物理
2026-01-05 v1 计算机视觉与模式识别
新兴技术
机器学习
量子物理
摘要
随着量子点 (QD) 基盤自旋量子比特向更大、更复杂器件架构发展，快速、自动化的器件表征和数据分析工具变得至关重要。 charge 稳定图 (CSD) 中过渡线的方向和间距包含了 QD 器件电容环境的指纹，使这些测量成为有用的器件表征工具。然而，手动解释这些特征耗时、容易出错，且在大规模下不可行。本文提出了一种从 CSD 中提取底层电容属性的自动化协议。该方法集成了机器学习、图像处理和目标检测，以无需手动标记的方式识别和跟踪大数据集中的电荷过渡。我们使用来自应变德国单量子井 (平面) 和应变德国双量子井 (双层) QD 器件的实验数据演示了该方法。与平面 QD 器件不同，双层德国异构结构的 CSD 包含更大的过渡集合，包括垂直隧穿和垂直堆叠 QD 的 distinct loading 线，这使其成为自动化方法的强大测试场。通过分析许多 CSD 的属性，我们可以统计性地估计物理相关量，如相对杠杆臂和电容耦合。因此，我们的协议实现了从 CSD 中快速提取有用且非平凡信息的能力。
引用
@article{arxiv.2601.00067,
title = {Automated electrostatic characterization of quantum dot devices in single- and bilayer heterostructures},
author = {Merritt P. R. Losert and Dario Denora and Barnaby van Straaten and Michael Chan and Stefan D. Oosterhout and Lucas Stehouwer and Giordano Scappucci and Menno Veldhorst and Justyna P. Zwolak},
journal= {arXiv preprint arXiv:2601.00067},
year = {2026}
}
备注
18 pages, 12 figures