[논문 리뷰] Automatic virtual voltage extraction of a 2x2 array of quantum dots with machine learning

Giovanni A. Oakes, Jingyu Duan외 4명|arXiv (Cornell University)|2020. 12. 07.

Quantum Computing Algorithms and Architecture참고 문헌 25인용 수 10

한 줄 요약

이 논문은 2×2 양자점 배열에서 교차용량 효과를 줄이기 위해 charge stability 다이어그램의 Hough 변환 분석을 활용한 기계학습 기반 방법을 제시한다. 이 방법은 시뮬레이션 및 실험 데이터를 기반으로 훈련된 앙상블 회귀 모델을 사용하여 전이 각도 예측의 정확도를 각각 97.36% 및 99.29%로 달성함으로써, 고장 내성 양자 컴퓨팅을 위한 복잡한 양자점 배열의 스케일러블하고 자동화된 튜닝을 가능하게 한다.

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.

연구 동기 및 목표

• 다양한 양자점 배열에서의 교차용량 문제로 인한 개별 양자점의 독립적 제어를 어렵게 하는 문제를 해결하기 위해.
• 더 큰 배열로 확장 가능한 자동화된, 확장 가능한 가상 전압 추출 방법을 개발하기 위해.
• 기계학습을 활용해 전하 안정성 다이어그램을 해석함으로써 2×2 및 2×N 양자점 배열의 정밀한 제어를 가능하게 하기 위해.
• 모델의 정확성과 일반화 능력을 검증하기 위해 시뮬레이션 및 실험 데이터를 모두 활용하여 장치의 다양성에 대응하는 강건성을 확보하기 위해.

제안 방법

• 전하 안정성 다이어그램에서 선형 특징을 탐지하기 위해 Hough 변환을 사용하여 전하 전이 영역의 기울기를 추출한다.
• 반사된 RF 신호의 I 및 Q 성분에 대해 임계값 설정 및 피크 탐지 알고리즘을 적용하여 데이터를 정제하고 노이즈를 감소시킨다.
• 64,000개의 시뮬레이션된 안정성 다이어그램을 기반으로 정규화된 기울기 레이블을 사용해 앙상블 회귀 모델(신경망, 랜덤 포레스트, 배깅, 엑스트라 트리)을 훈련시킨다.
• 훈련 데이터에는 알려진 용량 매트릭스를 가진 단일, 이중, 사중 양자점 영역의 시뮬레이션 전이가 포함되어 있다.
• 모델 출력값은 θ에서 φ(보완 각도)로 변환되어 가상 전압 변환 매트릭스 G를 결정한다.
• 실험 데이터를 활용하여 프레임워크를 검증하였으며, 기울기 예측에 있어 높은 정확도를 보였다.

실험 결과

연구 질문

• RQ1 기계학습을 활용해 2×2 양자점 배열에서 교차용량 효과를 완화하는 가상 게이트 전압 추출을 자동화할 수 있는가?
• RQ2 앙상블 회귀 모델은 Hough 변환된 안정성 다이어그램에서 전이 기울기를 얼마나 정확하게 예측할 수 있는가?
• RQ3 이 방법은 최소한의 재구성으로 2×N 양자점 배열로 일반화될 수 있는가?
• RQ4 실제 실험 데이터에서 알고리즘의 성능은 시뮬레이션 데이터와 비교해 어떻게 되는가?

주요 결과

• 앙상블 모델은 테스트 데이터에서 R² 값 0.978을 기록하여 강력한 예측 성능를 보였다.
• 안정성 다이어그램에서 전이 각도 예측에 대해 θ₁의 정확도는 97.36%, θ₂의 정확도는 99.29%를 달성했다.
• 실험 데이터로부터도 가상 전압을 성공적으로 추출하여 실제 적용 가능성은 입증되었다.
• 프레임워크는 2×N 배열로 확장 가능하여 더 큰 양자점 배열의 스케일러블한 튜닝을 가능하게 했다.
• 임계값 설정 및 피크 탐지 알고리즘이 RF 신호 데이터의 노이즈와 앨리어싱을 효과적으로 감소시켰다.
• 정규화 및 표준화된 θ 히스토GRAM을 사용함으로써 다양한 용량 비율에 걸쳐 일관된 모델 훈련과 일반화가 보장되었다.