[論文レビュー] Rapid cryogenic characterisation of 1024 integrated silicon quantum dots

Edward J. Thomas, Virginia N. Ciriano-Tejel+9 more|arXiv (Cornell University)|Oct 31, 2023

Semiconductor materials and devices被引用数 4

ひとこと要約

本論文は、高周波反射計測と機械学習を用いて、5分で1024個の集積シリコン量子ドットを迅速かつ自動的に特徴付け可能な1:1024の低温ラジオ周波数多重化技術を提示する。このシステムは160 ps未満の統合時間を達成し、室温トランジスタの動作と低温量子ドットパラメータの相関関係を明らかにし、スケーラブルなオンチップ量子ビットモニタリングを実現する。

ABSTRACT

Quantum computers are nearing the thousand qubit mark, with the current focus on scaling to improve computational performance. As quantum processors grow in complexity, new challenges arise such as the management of device variability and the interface with supporting electronics. Spin qubits in silicon quantum dots are poised to address these challenges with their proven control fidelities and potential for compatibility with large-scale integration. Here, we demonstrate the integration of 1024 silicon quantum dots with on-chip digital and analogue electronics, all operating below 1 K. A high-frequency analogue multiplexer provides fast access to all devices with minimal electrical connections, enabling characteristic data across the quantum dot array to be acquired in just 5 minutes. We achieve this by leveraging radio-frequency reflectometry with state-of-the-art signal integrity, reaching a minimum integration time of 160 ps. Key quantum dot parameters are extracted by fast automated machine learning routines to assess quantum dot yield and understand the impact of device design. We find correlations between quantum dot parameters and room temperature transistor behaviour that may be used as a proxy for in-line process monitoring. Our results show how rapid large-scale studies of silicon quantum devices can be performed at lower temperatures and measurement rates orders of magnitude faster than current probing techniques, and form a platform for the future on-chip addressing of large scale qubit arrays.

研究の動機と目的

• 大規模なシリコン量子ドットアレイのスケーラブルかつ高スループットな低温特徴付けの課題に対処する。
• 量子プロセッサの制御および読み出しにおける配線のボトルネックを克服するため、RFおよびDC信号の1:1024オンチップ多重化器を実装する。
• 高精度な反射計測と機械学習を用いて、量子ドットデバイスのパラメータを迅速かつ自動で抽出する。
• プロセスモニタリングを支援するため、同一デバイスアレイにおける室温トランジスタの動作と低温量子ドットパラメータの相関関係を確立する。
• 最小限の電気的接続で大規模なキュービットアレイへのオンチップアドレス指定を可能にするスケーラブルなプラットフォームを開発する。

提案手法

• 行・列アドレス指定を用いた1:1024のラジオ周波数多重化器を実装し、1024個のシリコン量子ドットへの高速かつ選択的アクセスを可能にした。
• 信号整合性を高めた高周波RF反射計測を用い、最小160 psの統合時間を達成した。
• 4 Kで冷やした低温アンプ（LNF-LNC0.2_3A）を用い、その後に室温アンプと直交変調検波器で信号検出を行った。
• 自動化された機械学習（畳み込みニューラルネットワーク）を適用し、反射計測データから量子ドットの品質を分類し、重要なパラメータを抽出した。
• DCおよびRF測定を実施：DCは電流モニタリングのためのコンダクタンスアンプ、RFは反射計測に基づくパラメータ抽出に使用した。
• デバイス性能の妥当性を確認するため、QDAC IIを用いてDC電圧制御を行い、任意波形発生器を用いてゲート電圧スイープを実施した。

実験結果

リサーチクエスチョン

• RQ1 1:1024の低温多重化器は、最小限の電気的接続で1024個のシリコン量子ドットを迅速かつスケーラブルに特徴付け可能か？
• RQ2 機械学習は、低温反射計測データから量子ドットパラメータをどの程度自動で抽出可能か？
• RQ3 同一のデバイスアレイにおいて、室温トランジスタの動作と低温量子ドットパラメータとの間にどのような相関関係が存在するか？
• RQ4 バックゲート電圧が、電子の荷電電圧、ゲートレバーアーム、およびソース・ドレインの非対称性に与える影響は何か？
• RQ5 160 ps未満の統合時間を低温反射計測で達成できるか、これにより高スループットな量子ドット特徴付けが可能になるか？

主な発見

• 1:1024の多重化器と高周波反射計測を用いて、1024個の量子ドットアレイをわずか5分で特徴付けた。
• システムは最小160 psの統合時間を達成し、高い信号忠実度で高速データ取得を実現した。
• 畳み込みニューラルネットワークは、量子ドットの品質を「良好」または「その他」と分類する際、86%の再現率と67%の適合率を達成した。
• 最初の電子荷電電圧（$V_{\rm 1e}$）は、バックゲート電圧が上昇するにつれて減少した。これは、伝導帯端がフェルミ準位に近づくためである。
• ゲートレバーアームはバックゲート電圧が上昇するにつれてわずかに減少し、電子波動関数がトップゲートからより遠ざかっていることと整合的であった。
• ソース・ドレインの非対称性（$\alpha_{\mathrm{D}}-\alpha_{\mathrm{S}}$）はバックゲート電圧の変化に対してほとんど変化せず、量子ドットの中心位置が安定していることが示された。