监督式机器学习中合成与实验训练数据在量子点电荷态检测中的评估
介观与纳米尺度物理
2020-05-19 v1 量子物理
摘要
栅极定义量子点的自动调谐是基于半导体的大规模量子比特初始化的必要条件。这些调谐流程中的关键一步是基于电荷稳定性图的电荷态检测。使用监督式机器学习执行该任务需要大量数据集供模型训练。为避免对手工标注实验数据的依赖，合成数据已被探索作为一种替代方案。尽管与使用实验数据相比，合成数据显著增加了训练数据集的规模，但使用合成数据意味着分类器是在与调谐过程中所涉及的实验数据分布不同的数据上训练的。本文评估了一系列在模拟与实验数据上训练的机器学习模型的预测精度，及其对二维电子气和纳米线器件中实验电荷稳定性图的泛化能力。我们发现，分类器在纯实验数据或合成与实验训练数据组合上表现最佳，且向合成数据中添加常见实验噪声特征并不会显著提升分类精度。这些结果表明，在基于监督式机器学习的电荷态检测中，实验训练数据以及逼真的量子点模拟与噪声模型是必不可少的。
引用
@article{arxiv.2005.08131,
title = {Evaluation of synthetic and experimental training data in supervised machine learning applied to charge state detection of quantum dots},
author = {Jana Darulova and Matthias Troyer and Maja C. Cassidy},
journal= {arXiv preprint arXiv:2005.08131},
year = {2020}
}