[論文レビュー] Automatic virtual voltage extraction of a 2x2 array of quantum dots with machine learning

Giovanni A. Oakes, Jingyu Duan+4 more|arXiv (Cornell University)|Dec 7, 2020

Quantum Computing Algorithms and Architecture参考文献 25被引用数 10

ひとこと要約

本論文では、2×2量子ドットアレイにおける仮想ゲート電圧を自動で抽出する機械学習ベースの手法を提示する。電荷安定性図のハフ変換解析により、クロスキャパシタンス効果を軽減する。この手法は、シミュレート済みおよび実験データで訓練されたアンサンブル回帰モデルを用い、遷移角度の予測で97.36%および99.29%の正確性を達成し、フェイルセーフな量子計算を実現するためのスケーラブルで自動化された複雑な量子ドットアレイのチューニングを可能にする。

ABSTRACT

Spin qubits in quantum dots are a compelling platform for fault-tolerant quantum computing due to the potential to fabricate dense two-dimensional arrays with nearest neighbour couplings, a requirement to implement the surface code. However, due to the proximity of the surface gate electrodes, cross-coupling capacitances can be substantial, making it difficult to control each quantum dot independently. Increasing the number of quantum dots increases the complexity of the calibration process, which becomes impractical to do heuristically. Inspired by recent demonstrations of industrial-grade silicon quantum dot bilinear arrays, we develop a theoretical framework to mitigate the effect of cross-capacitances in 2x2 arrays of quantum dots and extend it to 2xN and NxN arrays. The method is based on extracting the gradients in gate-voltage space of different charge transitions in multiple two-dimensional charge stability diagrams to determine the system's virtual gates. To automate the process, we train an ensemble of regression models to extract the gradients from a Hough transformation of charge stability diagrams and validate the algorithm on simulated and experimental data of a 2x2 quantum dot array. Our method provides a completely automated tool to mitigate cross-capacitance effects in arrays of QDs which could be utilised to study variability in device electrostatics across large arrays.

研究の動機と目的

• 複数の量子ドットアレイにおけるクロスキャパシタンスの課題に対処し、個々の量子ドットの独立制御を困難にする要因を軽減すること。
• より大きなアレイにまで拡張可能な、自動化・スケーラブルな仮想電圧抽出手法を構築すること。
• 機械学習を用いて電荷安定性図を解釈することで、2×2および2×N量子ドットアレイの正確な制御を可能にすること。
• シミュレート済みおよび実験データの両方で手法を検証し、デバイスのばらつきに対しても強靭性を確保すること。

提案手法

• 本手法は、電荷安定性図における線形特徴を検出するためのハフ変換を用い、電荷遷移領域の勾配を抽出する。
• 反射RF信号のIおよびQ成分に対してしきい値処理とピーク検出アルゴリズムを適用し、データを薄め、ノイズを低減する。
• アンサンブル回帰モデル（ニューラルネットワーク、ランダムフォレスト、バギング、エキストラツリー）を、正規化された勾配ラベルを用いた64,000個のシミュレート済み安定性図で訓練する。
• 訓練データには、既知の自己容量行列を有する単一、二重、四重量子ドット領域のシミュレート遷移が含まれる。
• モデル出力をθからφ（補角）に変換することで、仮想電圧変換行列Gを特定する。
• 実験データを用いた検証により、勾配予測の高い正確性が確認された。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いて2×2量子ドットアレイにおける仮想ゲート電圧の抽出を自動化し、クロスキャパシタンス効果を軽減できるか？
• RQ2 アンサンブル回帰モデルは、ハフ変換処理済みの安定性図から遷移勾配をどの程度正確に予測できるか？
• RQ3 本手法は、最小限の再構成で2×N量子ドットアレイへ一般化可能か？
• RQ4 実験データにおけるアルゴリズムの性能は、シミュレートデータと比較してどの程度か？

主な発見

• アンサンブルモデルはテストデータで0.978のR²値を達成し、優れた予測性能を示した。
• 安定性図からの遷移角度予測において、θ₁で97.36%、θ₂で99.29%の正確性を達成した。
• 本手法は実験データからの仮想電圧抽出に成功し、実世界への適用可能性を実証した。
• 本フレームワークは2×Nアレイへ拡張可能であり、より大きな量子ドットアレイのスケーラブルなチューニングを可能にした。
• しきい値処理とピーク検出は、RF信号データにおけるノイズとアリasingを効果的に低減した。
• 正規化・標準化されたθヒストグラムの使用により、多様な自己容量比にわたる一貫性のあるモデル訓練と一般化が確保された。