面向双量子点数据的多类态识别机器学习模型基准测试

半导体量子点（QD）是可扩展量子处理器的领导平台。然而，扩大规模需要可靠的、自动化的调谐策略来支持器件的引导、校准和操作，其中许多调谐方面取决于准确识别QD器件状态的电荷稳定图（CSD）。本文提出了一项针对双量子点CSD的多类态识别的四种现代机器学习（ML）架构的全面基准测试。我们在不同数据预算和归一化方案下使用合成数据和实验数据评估其性能。我们发现，更资源密集的模型——U-Net和视觉转换器（ViT）——在合成数据上（超过0.98的MSE得分）实现了最高的性能，但未能泛化到实验数据。MDN最具计算效率且训练高度稳定，但峰值性能显著低于其他模型。CNN在实验CSD上提供了最具性价比的方案，在两种数量级少于U-Net和ViT的参数情况下实现了强大的准确率。归一化发挥非平凡作用：最小最大缩放通常产生更高的MSE得分，但收敛性较差，而Z-score归一化产生更可预测的训练动力学，但大多数模型在准确率方面受限。总体而言，本研究表明，CNN配合最小最大归一化是QD CSD的实用方法。