基于神经网络分割的 300 mm FDSOI 量子点电荷态自动调谐
介观与纳米尺度物理
2026-04-16 v1 计算机视觉与模式识别
机器学习
摘要
栅极定义半导体量子点（QD）的调谐是量子自旋技术扩张的主要瓶颈。我们提出一种基于深度学习（DL）的语义分割管线，用于在完整电荷稳定图（CSD）中定位相位转换线，从而返回单电荷态的栅压电压目标。我们组装并手动标注了一个包含 1015 份实验 CSD 数据集的大型异构数据集，涵盖九种设计几何、多个晶圆及制造工艺。采用带有 MobileNetV2 编码器的 U-Net 结构卷积神经网络（CNN）进行训练和验证，通过五折分组交叉验证。模型在定位单电荷态方面实现 80.0% 的总体离线调谐成功率，部分设计方案的最佳性能可超过 88%。我们分析了主要的失效模式并提出了针对性的缓解措施。最终，宽范围图分割天然支持可扩展的基于物理的特征提取，可反馈至制造和设计工作流程，并为在低温晶圆探针中实现实时集成指明了道路。总体而言，我们的结果表明，基于神经网络的宽图分割是实现硅 QD 量子比特自动化高通量电荷调谐的可行方案。
引用
@article{arxiv.2604.13662,
title = {Automatic Charge State Tuning of 300 mm FDSOI Quantum Dots Using Neural Network Segmentation of Charge Stability Diagram},
author = {Peter Samaha and Amine Torki and Ysaline Renaud and Sam Fiette and Emmanuel Chanrion and Pierre-Andre Mortemousque and Yann Beilliard},
journal= {arXiv preprint arXiv:2604.13662},
year = {2026}
}
备注
10 pages, 6 figures, supplementary materials available