QFlow lite数据集：量子点实验中电荷态的机器学习方法

在过去的十年中，机器学习技术彻底改变了研究方式，从设计新材料并预测其性质，到辅助药物发现，再到推进网络安全。最近，我们在这方面增添了新内容，展示了机器学习算法（所谓的learner）与优化例程相结合如何辅助半导体量子点（QD）器件调控的实验工作。除其他应用外，半导体QD是构建量子计算机的候选系统。当前用于将QD器件调至适合量子计算的可取构型的技术依赖启发式方法，随着即使近期量子计算演示所需量子点阵列规模的增大而无法扩展。因此，建立不依赖实验人员开发的粗尺度启发式方法的可靠调控协议具有重要意义。为实现基于机器学习的方法，我们构建了一个模拟QD器件特性的数据集，例如电导和电荷传感器响应随所加静电栅极电压的变化。在此，我们描述了生成该数据集的方法论，以及其在训练卷积神经网络中的验证。我们表明，在基于电流和基于电荷传感器的训练中，learner识别器件状态的准确率约为96.5%。我们还引入了一个使其他研究人员能将此方法用于进一步研究的工具：QFlow lite——一个基于Python的迷你软件套件，它使用该数据集训练神经网络以识别器件状态并区分实验数据中的状态。本工作为这一新数据集提供了权威参考，将有助于研究人员在其实验中使用该数据集或开发新的机器学习方法和概念。