基于 Transformer 的量子点阵列电荷稳定图全程分析

Transformer 模型和端到端学习框架正在迅速 revolutionizing 人工智能领域。本文将对象检测 transformer 应用于半导体量子点阵列的电荷稳定图分析，这是实现自旋基量子计算可扩展性的关键任务。具体而言，我们的模型识别三重点及其连通性，这对于虚拟门校准、电荷态初始化、漂移校正和脉冲序列至关重要。我们展示了该模型在三个不同的自旋量子比特架构上超越卷积神经网络，且无需重新训练。在与现有方法相比，我们的方法显著降低了复杂度和运行时间，同时提升了通用性。结果凸显了基于 transformer 的端到端学习框架作为可扩展、面向设备和架构agnostic 工具的潜力，用于量子点设备的控制与调谐。