[논문 리뷰] Bridging the reality gap in quantum devices with physics-aware machine learning

David Craig, H. Moon외 10명|arXiv (Cornell University)|2021. 11. 22.

Advancements in Semiconductor Devices and Circuit Design참고 문헌 37인용 수 9

한 줄 요약

이 논문은 깊이 학습, 가우시안 프로세스 및 베이지안 추론의 하이브리드 접근 방식을 사용하여 전자 이동도 데이터에서 전기적 불순물 잠재력을 추론함으로써 고체 상태 양자 장치의 현실 격차를 해소하는 물리 인식 기계학습 프레임워크를 제안한다. 이 방법은 AlGaAs/GaAs 장치에서 더블 큐비트 도트 영역을 높은 정밀도로 정확하게 예측할 수 있게 하며, 실험적 게이트 전압 측정 결과와 검증된다.

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.

연구 동기 및 목표

• 제어되지 않은 재료의 불순물과 시뮬레이션-실험 간 괴리로 인한 양자 장치 최적화의 현실 격차를 해결하기 위해.
• 간접적인 전자 이동도 측정을 통해 나노스케일 큐비트 도트 내 전기적 불순물의 공간 분포를 추론하기 위해.
• 깊이 학습과 베이지안 방법을 융합하여 효율적이고 정확한 불순물 잠재력 재구성에 적합한 확장 가능한 물리 기반 추론 프레임워크를 개발하기 위해.
• 게이트 전압 공간에서 실험적으로 관측 가능한 더블 큐비트 도트 특징을 예측하여 추론된 불순물 잠재력을 검증하기 위해.

제안 방법

• 물리 기반 기계학습 프레임워크는 물리적 전기적 잠재 모델과 깊이 학습을 통합하여 큐비트 도트 내 전자 이동도 시뮬레이션을 가속화한다.
• 심층 신경망(CNN)은 시뮬레이션된 운반 데이터를 기반으로 게이트 전압과 불순물 잠재력에 대한 전류 확률을 예측하도록 훈련된다.
• 유도점과 무작위 푸리에 특징을 갖는 가우시안 프로세스는 고차원 2차원 불순물 잠재력을 저차원 매개변수 형태로 재구성하여 계산 비용을 감소시킨다.
• 실험적 운반 데이터를 바탕으로 불순물 매개변수의 사후 분포에서 샘플링하기 위해 해밀토니안 몬테 카를로를 통한 베이지안 추론이 사용된다.
• 예측된 전류 확률과 관측된 전류 확률 간의 KL 발산을 기반으로 한 가능도 함수를 갖는 근사 베이지안 계산이 적용된다.
• 유도점 최적화는 실질적인 실험 측정에 대한 추론을 수행하기 전에 시뮬레이션 데이터를 사용하여 오프라인으로 수행된다.

실험 결과

연구 질문

• RQ1 물리 인식 기계학습 모델은 간접적인 운반 측정을 통해 큐비트 도트 장치 내 전기적 불순물의 공간 분포를 정확하게 추론할 수 있는가?
• RQ2 물리적 제약 조건과 사전 지식을 포함시킬 경우, 순수 데이터 기반 모델에 비해 불순물 추론의 일반화 및 정확도는 어떻게 향상되는가?
• RQ3 추론된 불순물 잠재력이 게이트 전압 공간에서 더블 큐비트 도트 특징의 위치를 어느 정도 정확하게 예측할 수 있는가?
• RQ4 유도점과 무작위 푸리에 특징을 통한 차원 축소는 추론 과정의 효율성과 정확도에 어떤 영향을 미치는가?
• RQ5 불순물 잠재력의 사후 샘플은 실험적으로 관측된 운반 특징을 얼마나 잘 재현하는가?

주요 결과

• 물리 인식 기계학습 프레임워크는 실험적 운반 데이터로부터 AlGaAs/GaAs 큐비트 도트 장치의 불순물 잠재력을 고정밀도로 성공적으로 추론하였다.
• 게이트 전압 공간에서 예측된 더블 큐비트 도트 특징이 실험 관측 결과와 일치하여 모델의 예측 능력을 검증하였다.
• 150~320개의 사후 샘플을 통해 신뢰할 수 있는 추론이 이루어졌으며, 베이지안 샘플링의 안정성과 수렴성을 입증하였다.
• 유도점과 무작위 푸리에 특징의 사용은 추론 문제의 차원을 감소시키면서도 불순물 잠재력의 핵심 물리적 특징을 유지하였다.
• 심층 학습 서rogate 모델은 복잡한 물리 시스템에도 불구하고 전체 추론 과정을 계산적으로 가능하게 하기 위해 전류 확률을 신속히 예측할 수 있었다.
• 물리 사전 지식을 통합한 프레임워크는 더블 큐비트 도트 영역 예측에서 무지식 모델보다 뛰어난 성능을 보였으며, 물리적 사전 지식의 우수성을 확인하였다.