面向含噪量子点器件的鲁棒自动调谐
量子物理
2022-09-09 v3 机器学习
摘要
当前量子点（QD）器件的自动调谐方法虽取得一定成功，但缺乏对数据可靠性的评估。这导致当自主系统处理含噪或其他低质量数据时出现意外失败。在本工作中，我们提出了一种结合机器学习（ML）状态分类器与数据质量控制模块的QD器件鲁棒自动调谐框架。数据质量控制模块充当“守门人”系统，确保仅有可靠数据被状态分类器处理。较低的数据质量会导致器件重新校准或终止。为训练两个ML系统，我们通过加入QD实验典型的合成噪声来增强QD仿真。我们确认在状态分类器训练中加入合成噪声显著提升了性能，在实验数据测试时准确率达95.0(9)%。随后我们通过展示状态分类器性能随数据质量下降而恶化（如预期）验证了数据质量控制模块的功能。我们的结果建立了一种用于含噪QD器件自主调谐的鲁棒且灵活的ML框架。
引用
@article{arxiv.2108.00043,
title = {Toward Robust Autotuning of Noisy Quantum Dot Devices},
author = {Joshua Ziegler and Thomas McJunkin and E. S. Joseph and Sandesh S. Kalantre and Benjamin Harpt and D. E. Savage and M. G. Lagally and M. A. Eriksson and Jacob M. Taylor and Justyna P. Zwolak},
journal= {arXiv preprint arXiv:2108.00043},
year = {2022}
}
备注
12 pages, 6 figures