用物理感知机器学习弥合量子器件中的现实差距
介观与纳米尺度物理
2024-01-17 v1 机器学习
摘要
现实与模拟之间的差异阻碍了固态量子器件的优化与可扩展性。由材料缺陷不可预测分布引起的无序是实现现实差距的主要贡献之一。我们利用物理感知机器学习弥合这一差距，具体而言，采用结合物理模型、深度学习、高斯随机场和贝叶斯推断的方法。该方法使我们能够从电子输运数据推断纳米尺度电子器件的无序势。通过验证算法关于栅压值的预测，即在AlGaAs/GaAs中横向定义的量子点器件产生对应于双量子点态的电流特征所需的栅压值，该推断得到确认。
引用
@article{arxiv.2111.11285,
title = {Bridging the reality gap in quantum devices with physics-aware machine learning},
author = {D. L. Craig and H. Moon and F. Fedele and D. T. Lennon and B. Van Straaten and F. Vigneau and L. C. Camenzind and D. M. Zumbühl and G. A. D. Briggs and M. A. Osborne and D. Sejdinovic and N. Ares},
journal= {arXiv preprint arXiv:2111.11285},
year = {2024}
}