面向可扩展金刚石量子系统的深度学习优化、制造误差容忍的光子晶体纳米梁腔
光学
2025-02-07 v1 应用物理
量子物理
摘要
腔增强的金刚石色心量子比特可实现高保真度的初始化、操控、纠缠和单独读取,这使其成为大型模块化量子计算机、量子网络和分布式量子传感系统的理想选择.然而,金刚石的独特材料特性在制造纳米光子器件时带来了显著挑战,导致制造引入的结构缺陷和缺陷植入不准确,从而影响可重复性、降低光学性能并损害色心与小模式体积腔的空间耦合.一种容忍制造缺陷的腔设计(如表面粗糙度、侧壁倾斜和非最优发射器位置)可在保持耦合效率的同时简化制造.为解决这一挑战,本文发展了一种基于深度学习的优化方法,以增强纳米光子器件的制造误差容忍度.应用卷积神经网络 (CNN) 预测有前景的设计(如 L2 和鱼骨纳米梁腔),其比传统时域有限差分 (FDTD) 模拟快 100 万倍,使能够高效优化复杂的高维参数空间. CNN 实现的预测误差低于 3.99%,相关系数最高达 0.988.优化后的结构显示出 52% 的 Q 因子降低,在实际条件下实现 5 万量子因子,并实现场分布的两倍扩张,从而实现非最优位置发射器的有效耦合.该方法性质使包括本研究开发的腔增强金刚石量子系统在内的可扩展高产纳米光子器件成为可能.
引用
@article{arxiv.2502.03987,
title = {Deep Learning-Optimized, Fabrication Error-Tolerant Photonic Crystal Nanobeam Cavities for Scalable On-Chip Diamond Quantum Systems},
author = {Sander van Haagen and Salahuddin Nur and Ryoichi Ishihara},
journal= {arXiv preprint arXiv:2502.03987},
year = {2025}
}