[論文レビュー] Bridging the reality gap in quantum devices with physics-aware machine learning

David Craig, H. Moon+10 more|arXiv (Cornell University)|Nov 22, 2021

Advancements in Semiconductor Devices and Circuit Design参考文献 37被引用数 9

ひとこと要約

本論文は、深層学習、ガウス過程、ベイズ推論を統合したハイブリッド手法を用いて、電子輸送データから静電的不純物ポテンシャルを推定することで、固体状態量子デバイスにおけるリアリティギャップを埋める物理知覚型機械学習フレームワークを提案する。この手法により、AlGaAs/GaAsデバイスにおける二重量子ドット領域の正確な予測が可能となり、実験的ゲート電圧測定値と高い整合性を示した。

ABSTRACT

The discrepancies between reality and simulation impede the optimisation and scalability of solid-state quantum devices. Disorder induced by the unpredictable distribution of material defects is one of the major contributions to the reality gap. We bridge this gap using physics-aware machine learning, in particular, using an approach combining a physical model, deep learning, Gaussian random field, and Bayesian inference. This approach has enabled us to infer the disorder potential of a nanoscale electronic device from electron transport data. This inference is validated by verifying the algorithm's predictions about the gate voltage values required for a laterally-defined quantum dot device in AlGaAs/GaAs to produce current features corresponding to a double quantum dot regime.

研究の動機と目的

• 制御不能な材料的不純物とシミュレーションと実験の乖離が引き起こす量子デバイス最適化におけるリアリティギャップを解消すること。
• 間接的な電子輸送測定からナノスケール量子ドット内の静電的不純物の空間的分布を推定すること。
• 深層学習とベイズ手法を統合したスケーラブルで物理知覚型の推論フレームワークを開発し、効率的かつ正確な不純物ポテンシャル再構築を実現すること。
• 実験的に観測可能な二重量子ドット特徴をゲート電圧空間で予測することで、推定された不純物ポテンシャルを検証すること。

提案手法

• 物理的電界モデルと深層学習を統合した物理知覚型機械学習フレームワークを構築し、量子ドット内の電子輸送シミュレーションを高速化する。
• 深層畳み込みニューラルネットワーク（CNN）を、シミュレートされた輸送データ上で学習させ、ゲート電圧と不純物ポテンシャルの関数として電流確率を予測する。
• 誘導点とランダムフーリエ特徴を用いたガウス過程により、高次元の2次元不純物ポテンシャルを低次元のパラメトリック形式に再パrameter化し、計算コストを低減する。
• ハミルトニアン・モンテカルロを用いたベイズ推論により、実験的輸送データを前提とした不純物パラメータの事後分布からのサンプリングを実施する。
• 予測された電流確率と観測された電流確率の間のKLダイバージェンスに基づく尤度関数を用いた、近似ベイズ計算を採用する。
• 誘導点の最適化は、実験的測定への推論を実施する前に、事前にシミュレートデータを用いてオフラインで実施する。

実験結果

リサーチクエスチョン

• RQ1 物理知覚型機械学習モデルは、間接的な輸送測定から量子ドットデバイス内の静電的不純物の空間的分布を高精度で推定できるか？
• RQ2 物理的制約と事前知識を組み込むことで、完全にデータ駆動型のモデルと比較して、不純物推定の一般化性能と精度がどの程度向上するか？
• RQ3 推定された不純物ポテンシャルは、ゲート電圧空間における二重量子ドット特徴の位置をどの程度正確に予測できるか？
• RQ4 誘導点とランダムフーリエ特徴による次元削減は、推論プロセスの効率性と正確性にどのような影響を与えるか？
• RQ5 不純物ポテンシャルの事後サンプルは、実験的に観測された輸送特徴をどの程度正確に再現できるか？

主な発見

• 物理知覚型機械学習フレームワークは、実験的輸送データからAlGaAs/GaAs量子ドットデバイスにおける不純物ポテンシャルを高い精度で推定した。
• ゲート電圧空間における予測された二重量子ドット特徴は実験的観測と一致し、モデルの予測能力が検証された。
• 150～320個の事後サンプルを用いた推論が信頼性を持って実施され、ベイズサンプリングの収束性と頑健性が示された。
• 誘導点とランダムフーリエ特徴の使用により、推論問題の次元が低減された一方で、不純物ポテンシャルの主要な物理的特徴が保持された。
• 深層学習サーヴァントモデルにより、物理系の複雑さを考慮しても、電流確率の高速予測が可能となり、全推論プロセスの計算的実行可能性が確保された。
• 物理的事前知識を組み込んだフレームワークは、不純物推定において無情報モデルを上回る性能を示し、物理的事前知識の導入による利点が確認された。