[論文レビュー] Cross-Platform Autonomous Control of Minimal Kitaev Chains

David van Driel, Rouven Koch+22 more|arXiv (Cornell University)|May 7, 2024

Mobile Agent-Based Network Management被引用数 4

ひとこと要約

本論文では、畳み込みニューラルネットワーク（CNN）を用いたクロスプラットフォームの転移学習手法を提案し、最小限のキタエフ鎖をメイジョラナ零モードのスイートスポットに自律的にチューニングする。理論的モデルで訓練し、2次元電子ガスプラットフォームでファインチューニングすることで、67.6%の精度で1次元ナノワイヤ量子ドットデバイスにおいて±1.5 mVの範囲内でメイジョラナスイートスポットを正確に特定した。これは、実験プラットフォーム間で転送可能で、データ効率の高い量子制御を実現した。

ABSTRACT

Contemporary quantum devices are reaching new limits in size and complexity, allowing for the experimental exploration of emergent quantum modes. However, this increased complexity introduces significant challenges in device tuning and control. Here, we demonstrate autonomous tuning of emergent Majorana zero modes in a minimal realization of a Kitaev chain. We achieve this task using cross-platform transfer learning. First, we train a tuning model on a theory model. Next, we retrain it using a Kitaev chain realization in a two-dimensional electron gas. Finally, we apply this model to tune a Kitaev chain realized in quantum dots coupled through a semiconductor-superconductor section in a one-dimensional nanowire. Utilizing a convolutional neural network, we predict the tunneling and Cooper pair splitting rates from differential conductance measurements, employing these predictions to adjust the electrochemical potential to a Majorana sweet spot. The algorithm successfully converges to the immediate vicinity of a sweet spot (within 1.5 mV in 67.6% of attempts and within 4.5 mV in 80.9% of cases), typically finding a sweet spot in 45 minutes or less. This advancement is a stepping stone towards autonomous tuning of emergent modes in interacting systems, and towards foundational tuning machine learning models that can be deployed across a range of experimental platforms.

研究の動機と目的

• 高次元パラメータ空間を持つ複雑な量子デバイスにおける自律的チューニングの課題に取り組む。
• プラットフォーム固有のチューニングの制限を克服し、理論、2次元電子ガス、1次元ナノワイヤといった異なる実験プラットフォーム間での転移学習を可能にする。
• ターゲットデバイスの直接的な実験データを必要としない、プラットフォームに一般化可能な機械学習フレームワークを開発する。
• 微分伝導度測定のみを用いて、自律的にメイジョラナ零モードスイートスポットに収束する。
• 相互作用を示す量子系における発現的トポロジカルモードのチューニングに、スケーラブルでデータ効率の高いアプローチを実証する。

提案手法

• 理論的キタエフ鎖モデル上で畳み込みニューラルネットワーク（CNN）を訓練し、主なトンネル過程（弾性共鳴トンネルと交差アンドレーエフ反射）を分類する。
• CNNの出力を用いて、トンネル幅$t$と超伝導ペアリング$Δ$の比$(t - \Delta)/(t + \Delta)$を推定し、メイジョラナスイートスポットを特定する。
• 実時間での微分伝導度測定に基づき、ハイブリッドプラッジャー電圧$V_{\text{ABS}}$を勾配降下法で調整する。
• 収束安定性を向上させるために、モーメンタムと適応的ステップサイズ制御を併用した学習率の段階的低下戦略を実装する。
• 収束を定義するための許容誤差閾値$\tau = \frac{1}{32} \left( \frac{\gamma}{\Delta^*} \right)^2$を用いる。ここで$\gamma$は共鳴幅、$\Delta^*$はターゲットギャップである。
• チューニング中にオーバーシュートをログ記録・検出することで、学習率と方向を動的に調整し、非理想状態でも耐障害性を向上させる。

Figure 1: Device A set-up and characterization. a. False color SEM micrograph of our device, and the circuit. An InSb nanowire (green) is contacted by a grounded Al shell (blue) and two normal leads (yellow). The nanowire is placed on bottom gates (red). The relevant gate voltages are indicated by t

実験結果

リサーチクエスチョン

• RQ1 理論的キタエフ鎖モデルで訓練した機械学習モデルが、異なるプラットフォーム（2次元電子ガス）の実験データで効果的にファインチューニングされ、その後、別の実験的実装（1次元ナノワイヤ）に展開可能か。
• RQ2 トンネル過程のCNNベース分類器が、多数体相互作用や測定ノイズが顕著に異なる、全く異なる実験プラットフォーム間でどの程度一般化可能か。
• RQ3 自律的チューニングアルゴリズムが、実際の1次元ナノワイヤ量子ドットデバイスにおいて、メイジョラナ零モードスイートスポットをどの程度の精度で特定できるか。
• RQ4 特に、ターゲットプラットフォームが訓練プラットフォームと異なる場合に、測定ノイズや限られた訓練データの下で、アルゴリズムの性能はどのようになるか。
• RQ5 適応的学習率とオーバーシュート検出機構を組み込むことで、初期予測が不正確であってもアルゴリズムの耐障害性を高められるか。

主な発見

• 1次元ナノワイヤデバイスにおいて、67.6%のチューニング試行で、既知のメイジョラナスイートスポットから±1.5 mV以内に収束した。
• 80.9%のケースで、スイートスポットから±4.5 mV以内に到達し、高い耐障害性と信頼性を示した。
• 収束までの平均チューニング時間は45分以下であり、実験ワークフローへの統合に実用的であることを示した。
• CNNベースのトンネル過程分類が、スイートスポットを特定するために重要な$(t - \Delta)/(t + \Delta)$比の正確な推定を可能にした。
• クロスプラットフォームの転移学習を達成した：理論モデルで訓練し、2次元電子ガスデータでファインチューニングし、1次元ナノワイヤデバイスに直接の実験データなしに適用した。
• 収束しなかった実行例から、$t + \Delta$値が小さい弱い結合領域におけるCNNの一般化の限界が浮き彫りになった。これは、弱い結合領域におけるデータカバレッジの向上が求められることを示唆した。

Figure 2: Device B charge stability diagrams and simulations. a. Schematic overview of the model system. Two quantum dots (QDs) are coupled by an Andreev bound state (ABS) in a semiconductor (gray) coupled to a grounded superconductor (blue). b. False color SEM image of device B. A 1D channel is def