[论文解读] A Machine Learning Approach for Automated Fine-Tuning of Semiconductor Spin Qubits

Julian D. Teske, Simon Humpohl+7 more|JuSER (Forschungszentrum Jülich)|Jan 7, 2019

Quantum and electron transport phenomena被引用 4

一句话总结

本文提出一种基于机器学习的算法，利用卡尔曼滤波器自动调节镓砷双量子点中半导体自旋量子比特的微调。通过迭代估计关键量子比特参数（如隧穿耦合和跃迁宽度）的电压梯度，该方法仅需3至5次迭代（10至15分钟）即可完成工作区重配置，显著减少了人工调节时间，同时适应栅极电压响应中的强非线性和串扰。

ABSTRACT

While spin qubits based on gate-defined quantum dots have demonstrated very favorable properties for quantum computing, one remaining hurdle is the need to tune each of them into a good operating regime by adjusting the voltages applied to electrostatic gates. The automation of these tuning procedures is a necessary requirement for the operation of a quantum processor based on gate-defined quantum dots, which is yet to be fully addressed. We present an algorithm for the automated fine-tuning of quantum dots, and demonstrate its performance on a semiconductor singlet-triplet qubit in GaAs. The algorithm employs a Kalman filter based on Bayesian statistics to estimate the gradients of the target parameters as function of gate voltages, thus learning the system response. The algorithm's design is focused on the reduction of the number of required measurements. We experimentally demonstrate the ability to change the operation regime of the qubit within 3 to 5 iterations, corresponding to 10 to 15 minutes of lab-time.

研究动机与目标

• 解决可扩展量子计算中的主要瓶颈：门定义量子点的耗时且依赖人工的微调过程。
• 开发一种自动化、高效的微调程序，以减少人工干预和实验室时间，实现量子比特初始化。
• 通过最小化微调过程中所需的测量次数，实现多量子比特量子处理器的可扩展运行。
• 提供一种通用、可适应的算法，可应用于各种量子点架构。
• 实现实时提取并追踪量子比特参数相对于栅极电压的非线性梯度。

提出的方法

• 该算法使用卡尔曼滤波器估计量子比特参数（如隧穿耦合、跃迁宽度）相对于栅极电压的梯度，实现实时自适应。
• 它将基于梯度的优化与贝叶斯推断相结合，在每次测量后更新参数估计，从而最小化所需测量次数。
• 该卡尔曼滤波器被调整以处理门定义量子点的非线性、强耦合响应，实现在迭代过程中追踪梯度的变化。
• 该方法使用脉冲栅极测量，在每次电压调整后从系统中提取目标参数（隧穿耦合和跃迁宽度）。
• 该算法根据估计的梯度动态调整电压步长，从而提高收敛速度和鲁棒性。
• 发布了一个名为“qtune”的Python软件包以支持推广应用，包含完整的文档、单元测试以及模块化接口，便于与其他系统集成。

实验结果

研究问题

• RQ1 机器学习算法能否减少微调半导体自旋量子比特所需的测量次数？
• RQ2 卡尔曼滤波器在实时追踪栅极电压对量子比特参数的非线性和耦合响应方面效果如何？
• RQ3 自动化微调能否在少于10次迭代内完成量子比特工作点的重新配置，且几乎无需人工输入？
• RQ4 该算法在多大程度上能适应由于栅极电压中的非线性和串扰导致的系统响应变化？
• RQ5 提取的梯度信息能否改善量子点量子比特的表征与可调谐性？

主要发现

• 该算法仅用3至5次迭代便成功实现了量子比特工作点的重新配置，对应实验时间为10至15分钟。
• 即使在存在强非线性和串扰的情况下，卡尔曼滤波器仍能准确估计隧穿耦合和跃迁宽度相对于栅极电压的梯度。
• 在电压设定点改变后，梯度估计值出现突变，证实了系统的非线性响应，并验证了自适应微调的必要性。
• 元素 ∂t_sr/∂V_SB 的梯度绝对值最大，与之在形成电子交换隧穿势垒中的作用一致。
• 在微调过程中，梯度 ∂w/∂V_SB 的变化幅度达到三倍，其他梯度甚至改变符号，表明存在显著的非线性。
• 该算法的性能与以往基于人工梯度的方法相当，但实现了完全自动化并减少了测量开销。