[논문 리뷰] Cross-Platform Autonomous Control of Minimal Kitaev Chains

David van Driel, Rouven Koch외 22명|arXiv (Cornell University)|2024. 05. 07.

Mobile Agent-Based Network Management인용 수 4

한 줄 요약

이 논문은 컷팅 신경망(CNN)을 사용한 교차 플랫폼 전이 학습 방식을 제안하여, 최소한의 키타에프 체인을 메이저라나 제로 모드의 최적점으로 자동으로 튜닝한다. 이론적 모델에서 학습하고 2D 전자 기체 플랫폼에서 미세조정한 후, 1D 나노와이어 양자점 장치에서 메이저라나 최적점을 ±1.5 mV 이내로 67.6%의 정확도로 성공적으로 탐지하여, 다양한 실험 플랫폼 간에 전이 가능한 데이터 효율적인 양자 제어를 실현한다.

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.

연구 동기 및 목표

• 고차원 매개변수 공간을 가진 복잡한 양자 장치에서 자율 튜닝의 과제를 해결한다.
• 플랫폼에 종속된 튜닝의 한계를 극복하기 위해 이론, 2D 전자 기체, 1D 나노와이어와 같은 서로 다른 실험 플랫폼 간의 전이 학습을 가능하게 한다.
• 대상 장치의 직접적인 실험 데이터가 없더라도 플랫폼 간 일반화가 가능한 기계학습 프레임워크를 개발한다.
• 차별적 도전도 측정값만을 사용하여 메이저라나 제로 모드 최적점으로 자율 수렴한다.
• 상호작용 양자 시스템에서 나타나는 위상적 모드를 튜닝하기 위한 확장 가능하고 데이터 효율적인 접근법을 시연한다.

제안 방법

• 이론적 키타에프 체인 모델에서 컷팅 신경망(CNN)을 학습하여 주로 발생하는 터널링 과정(탄성 공동터널링 대비 교차-안드리에프 반사)을 분류한다.
• CNN 출력을 바탕으로 터널링 강도 $t$와 초전도성 쌍성화 강도 $\Delta$의 비율 $(t - \Delta)/(t + \Delta)$를 추정하여, 메이저라나 최적점을 식별한다.
• 실시간 차별 도전도 측정값에 기반해 하이브리드 플러저 게이트 전압 $V_{\text{ABS}}$ 를 조정하는 경사 하강 알고리즘을 적용한다.
• 수렴 안정성을 향상시키기 위해 운동량과 적응형 스텝 크기 제어를 갖춘 학습률 안내 전략을 구현한다.
• 수렴 조건을 정의하기 위해 허용 오차 한계 $\tau = \frac{1}{32} \left( \frac{\gamma}{\Delta^*} \right)^2$ 를 사용한다. 여기서 $\gamma$ 는 공명 선반폭이고 $\Delta^*$ 는 목표 갭이다.
• 튜닝 중 오버슈트를 기록하고 감지하여 학습률과 방향을 동적으로 조정함으로써 비이상적 조건에서의 강건성을 향상시킨다.

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

실험 결과

연구 질문

• RQ1 이론적 키타에프 체인 모델에서 학습한 기계학습 모델이 다른 플랫폼(2D 전자 기체)의 실험 데이터로 효과적으로 미세조정된 후, 다른 실험적 실현(1D 나노와이어)에 적용될 수 있는가?
• RQ2 다른 많은 몸체 상호작용과 측정 노이즈를 가진 매우 다른 실험 플랫폼 간에, 터널링 과정을 분류하는 CNN 기반 분류기가 얼마나 일반화되는가?
• RQ3 자율 튜닝 알고리즘이 실제 1D 나노와이어 양자점 장치에서 메이저라나 제로 모드 최적점을 찾는 데에 어떤 성능을 보이는가?
• RQ4 측정 노이즈와 제한된 학습 데이터가 존재할 때, 특히 대상 플랫폼이 학습 플랫폼과 다를 경우 알고리즘의 성능은 어떠한가?
• RQ5 적응형 학습률과 오버슈트 감지 메커니즘을 통합함으로써, 약한 예측에서 비롯된 문제에 강건한 알고리즘이 구현될 수 있는가?

주요 결과

• 알고리즘이 1D 나노와이어 장치에서 알려진 메이저라나 최적점으로 ±1.5 mV 이내로 수렴한 경우가 총 튜닝 시도의 67.6%에서 발생했다.
• 80.9%의 경우에서 알고리즘은 최적점으로 ±4.5 mV 이내로 도달하여 강력한 내구성과 신뢰성을 보였다.
• 수렴까지 평균 튜닝 시간은 45분 이내였으며, 실험 워크플로우에 통합 가능한 실용성을 시사했다.
• CNN 기반의 터널링 과정 분류가 $(t - \Delta)/(t + \Delta)$ 비율의 정확한 추정을 가능하게 하여 최적점 식별에 핵심적인 역할을 하였다.
• 교차 플랫폼 전이 학습이 성취되었으며, 이는 이론 모델에서 학습하고 2D 전자 기체 데이터로 미세조정한 후, 대상 플랫폼(1D 나노와이어 장치)에 직접 데이터 없이 적용된 것을 의미한다.
• 수렴하지 못한 실행 사례는 낮은 $t + \Delta$ 값에서 CNN의 일반화 능력에 한계가 있음을 시사하였으며, 약한 결합 영역에서의 데이터 커버리지 향상의 필요성을 암시한다.

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