基于隧穿谱测量的人工 Kitaev 链机器学习调谐
介观与纳米尺度物理
2026-02-24 v1
摘要
我们使用协方差矩阵适应算法，展示了对基于量子点的人工 Kitaev 链向 Majorana 甜点的可靠机器学习调谐。我们表明，基于链两端增加的两个传感器量子点的局部隧穿谱特征的损失函数，提供了一个可靠的度量来导航参数空间，并找到交叉 Andreev 反射和相邻位置间的弹性共隧穿相互平衡以产生具有极高 Majorana 质量的近零能模式的点。我们模拟了两点和三位置 Kitaev 链的调谐，其中损失函数是通过计算包含库仑相互作用和有限 Zeeman 分裂的模型哈密顿量的低能谱得出的。在这两种情况下，该算法均一致地收敛到高质量的甜点。由于隧穿谱提供了一个同时调谐所有在位势的全局度量，这为调谐更长的 Kitaev 链提供了一种有希望的途径，而这正是实现 Majorana 模式拓扑保护所必需的。
引用
@article{arxiv.2405.01240,
title = {Machine-learned tuning of artificial Kitaev chains from tunneling-spectroscopy measurements},
author = {Jacob Benestad and Athanasios Tsintzis and Rubén Seoane Souto and Martin Leijnse and Evert van Nieuwenburg and Jeroen Danon},
journal= {arXiv preprint arXiv:2405.01240},
year = {2026}
}