[論文レビュー] Miniaturizing neural networks for charge state autotuning in quantum dots

Stefanie Czischek, Victor Yon+9 more|arXiv (Cornell University)|Jan 8, 2021

Advanced Memory and Neural Computing参考文献 46被引用数 21

ひとこと要約

本論文は、合成された安定性図を用いて訓練された、極めてコンactな前向き型ニューラルネットワークを提案し、量子ドットデバイスにおける電荷状態遷移線を検出する。25個の入力ニューロンすらも使用するネットワークは、遷移線の分類において高い正確性を達成しており、既存のメモリスタ・クロスバー配列への直接実装が可能であり、スケーラブルな量子ドット量子コンピュータの低消費電力でオンチップでの自己調整を可能にする。

ABSTRACT

A key challenge in scaling quantum computers is the calibration and control of multiple qubits. In solid-state quantum dots, the gate voltages required to stabilize quantized charges are unique for each individual qubit, resulting in a high-dimensional control parameter space that must be tuned automatically. Machine learning techniques are capable of processing high-dimensional data - provided that an appropriate training set is available - and have been successfully used for autotuning in the past. In this paper, we develop extremely small feed-forward neural networks that can be used to detect charge-state transitions in quantum dot stability diagrams. We demonstrate that these neural networks can be trained on synthetic data produced by computer simulations, and robustly transferred to the task of tuning an experimental device into a desired charge state. The neural networks required for this task are sufficiently small as to enable an implementation in existing memristor crossbar arrays in the near future. This opens up the possibility of miniaturizing powerful control elements on low-power hardware, a significant step towards on-chip autotuning in future quantum dot computers.

研究の動機と目的

• マルチキュービット量子ドット系における高次元のゲート電圧チューニングの課題に対処すること。
• 安定性図内の電荷状態遷移線を検出可能な最小限のニューラルネットワークの開発。
• 新興のメモリスタ・ハードウェアと互換性を持つネットワーク設計により、オンチップでの自己調整の実現。
• 合成データで訓練されたモデルが、実験的量子ドットデバイスに一般化可能であることを示すこと。
• パッチベースのスキャンにより安定性図の小さな領域に限定することで、実験的測定コストを最小限に抑えること。

提案手法

• シミュレーションパッケージから生成された合成安定性図を用いて、小型の前向き型ニューラルネットワーク（FFNN）を訓練する。
• 事前処理済みの安定性図の5×5ピクセルのパッチを、FFNNの入力として使用し、遷移線分類を実行する。
• トレーニング可能なパラメータが数十から数百程度の非常に少ない数に抑えたネットワークを設計し、メモリスタ・クロスバー配列に適している。
• 安定性図全体をスキャンするために、パッチシフト戦略を実装し、段階的に遷移線を同定する。
• 1つの出力ニューロンを用いて、特定のパッチ内に遷移線が存在するかどうかを分類する。
• シミュレーテッドデータからの真値ラベルを用いた教師あり学習でネットワークを訓練し、その後実験的データで評価する。

実験結果

リサーチクエスチョン

• RQ1 極めて小さなニューラルネットワークは、量子ドットの安定性図における電荷状態遷移線を高い正確性で検出可能か？
• RQ2 合成データで訓練されたモデルは、実験的量子ドットデバイスに効果的に一般化可能か？
• RQ3 遷移線検出において、頑健な性能を達成するために必要な最小ネットワークサイズは何か？
• RQ4 パッチベースのスキャン戦略により、安定性図の小さな領域に限定することで、実験的測定コストを削減可能か？
• RQ5 これらのコンactネットワークは、既存のメモリスタ・クロスバーハードウェアと互換性があり、オンチップ展開が可能か？

主な発見

• 5×5パッチ（25入力ニューロン）のニューラルネットワークで、安定性図内の電荷状態遷移線の検出において高い正確性を達成している。
• 合成データで訓練されたモデルは、実験的シリコン金属酸化物半導体量子ドットデバイスに効果的に一般化されている。
• 高い成功率を達成するために必要な最小ネットワークサイズは、既存のメモリスタ・クロスバー配列への実装に十分なほど小さい。
• 接続されたパッチアレイを用いることで、測定回数を最小限に抑えながらも自己調整の成功率を向上させることができる。
• 安定性図の小さなターゲット領域に限定してカバーすることで、実験的測定コストを顕著に削減できる。
• 遷移線検出を含む、自己調整パイプライン全体が、新興のメモリスタ・ハードウェアを用いた低消費電力でオンチップでの展開に完全に対応している。