[論文レビュー] A Machine Learning Approach for Automated Fine-Tuning of Semiconductor Spin Qubits

Julian D. Teske, Simon Humpohl+7 more|JuSER (Forschungszentrum Jülich)|Jan 7, 2019

Quantum and electron transport phenomena被引用数 4

ひとこと要約

本論文では、ガルバス・アラミン酸（GaAs）二重量子ドットにおける半導体スピンキュービットの微調整を自動化するため、カルマンフィルタを用いた機械学習ベースのアルゴリズムを提示する。反復的に主要なキュービットパラメータ（トンネル結合や遷移幅など）の電圧勾配を推定することで、わずか3〜5回の反復（10〜15分）で作動領域の再設定が達成され、手動での微調整にかかる時間の大幅な短縮が図られるとともに、ゲート電圧応答における強い非線形性やクロストークにも適応可能である。

ABSTRACT

While spin qubits based on gate-defined quantum dots have demonstrated very favorable properties for quantum computing, one remaining hurdle is the need to tune each of them into a good operating regime by adjusting the voltages applied to electrostatic gates. The automation of these tuning procedures is a necessary requirement for the operation of a quantum processor based on gate-defined quantum dots, which is yet to be fully addressed. We present an algorithm for the automated fine-tuning of quantum dots, and demonstrate its performance on a semiconductor singlet-triplet qubit in GaAs. The algorithm employs a Kalman filter based on Bayesian statistics to estimate the gradients of the target parameters as function of gate voltages, thus learning the system response. The algorithm's design is focused on the reduction of the number of required measurements. We experimentally demonstrate the ability to change the operation regime of the qubit within 3 to 5 iterations, corresponding to 10 to 15 minutes of lab-time.

研究の動機と目的

• スケーラブルな量子コンピューティングにおける主要なボトル neck を解決すること：ゲートで定義された量子ドットの微調整が時間的にかかる手作業によるプロセス。
• 人為的介入を最小限に抑え、キュービット初期化に要する実験時間の短縮を図る、自動化で効率的な微調整手順の開発。
• 微調整中に必要な測定回数を最小限に抑えることで、マルチキュービット量子プロセッサのスケーラブルな運用を可能にする。
• さまざまな量子ドットアーキテクチャに適用可能な汎用的で柔軟なアルゴリズムの提供。
• ゲート電圧に対するキュービットパラメータの非線形勾配をリアルタイムで抽出・追跡すること。

提案手法

• アルゴリズムはカルマンフィルタを用いて、キュービットパラメータ（トンネル結合、遷移幅など）のゲート電圧に対する勾配を推定し、リアルタイムでの適応を可能にする。
• 勾配に基づく最適化とベイズ推論を組み合わせ、各測定後にパラメータ推定値を更新することで、必要な測定回数を最小限に抑える。
• ゲートで定義された量子ドットの非線形的かつ強く結合された応答に対応するようカルマンフィルタを適合させ、反復処理中に勾配の変化を追跡する。
• 各電圧調整後に、パulsed-gate 測定を用いて、システムからターゲットパラメータ（トンネル結合および遷移幅）を抽出する。
• 推定された勾配に応じて電圧ステップを動的に調整することで、収束速度と耐障害性を向上させる。
• 採用を支援するため、Pythonパッケージ「qtune」を公開しており、完全なドキュメンテーション、ユニットテスト、および他のシステムとの統合に適したモジュラーインターフェースを備えている。

実験結果

リサーチクエスチョン

• RQ1 機械学習アルゴリズムは、半導体スピンキュービットの微調整に要する測定回数を削減できるか？
• RQ2 カルマンフィルタは、ゲート電圧とキュービットパラメータの間の非線形的かつ結合された応答をリアルタイムで追跡できるか？
• RQ3 自動微調整により、10回未満の反復でキュービットの作動点を再設定できるか？（人的介入を最小限に抑える。）
• RQ4 非線形性やゲート電圧におけるクロストークの影響によるシステム応答の変化に、アルゴリズムはどの程度適応できるか？
• RQ5 抽出された勾配情報は、量子ドットキュービットの特徴付けおよび微調整性の向上に寄与するか？

主な発見

• アルゴリズムは、わずか3〜5回の反復でキュービットの作動点を再設定し、実験時間として10〜15分で達成された。
• 強い非線形性やクロストークが存在する中でも、トンネル結合および遷移幅のゲート電圧に対する勾配を、カルマンフィルタが正確に推定した。
• 電圧セットポイントのシフト後に勾配推定値に急激な変化が生じたことから、システムの非線形応答が確認され、適応型微調整の必要性が裏付けられた。
• 最も大きな勾配絶対値を示したのは、∂t_sr/∂V_SB であり、これは電子交換のトンネル障壁形成におけるその役割と整合的である。
• ∂w/∂V_SB の勾配は微調整中に3倍に変化し、他の勾配も符号を変えるなど、顕著な非線形性が示された。
• アルゴリズムの性能は、従来の手動による勾配ベースの手法と同等であったが、完全な自動化と測定オーバーヘッドの低減を実現した。