估算量子点中电荷态的机器学习模型的可视化解释

量子点器件中的电荷态识别对于量子信息处理中量子比特的制备至关重要。为了实现更大规模量子器件的自动调谐，通过机器学习进行自动电荷态识别已得到验证。为了进一步发展这项技术，理解机器学习模型（通常是一个黑箱）的运作方式将非常有用。在本研究中，我们通过梯度加权类激活映射分析了估算量子点中电荷态的机器学习模型的可解释性，该映射识别了用于预测的类判别区域。模型基于变化过渡线来预测状态，表明其实现了类似人类的识别。我们还通过利用映射结果的反馈，展示了模型的改进。由于我们的模拟和预处理方法简单，我们的方法提供了可扩展性，且无需显著的额外模拟成本，证明了其适用于未来量子点系统的扩展。