[论文解读] Automatic virtual voltage extraction of a 2x2 array of quantum dots with machine learning

Giovanni A. Oakes, Jingyu Duan+4 more|arXiv (Cornell University)|Dec 7, 2020

Quantum Computing Algorithms and Architecture参考文献 25被引用 10

一句话总结

本文提出一种基于机器学习的方法，可自动提取2×2量子点阵列中的虚拟栅压，通过电荷稳定性图的霍夫变换分析减轻交叉电容效应。该方法利用在模拟和实验数据上训练的集成回归模型，对过渡角度的预测准确率分别达到97.36%和99.29%，实现了复杂量子点阵列的可扩展、自动化调节，适用于容错量子计算。

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.

研究动机与目标

• 为解决多量子点阵列中的交叉电容问题，该问题阻碍了对单个量子点的独立控制。
• 开发一种自动化、可扩展的虚拟电压提取方法，超越更大阵列中基于经验的调节方法。
• 利用机器学习解释电荷稳定性图，实现对2×2和2×N量子点阵列的精确控制。
• 在模拟和实验数据上验证该方法，确保其在器件差异下的鲁棒性。

提出的方法

• 该方法使用霍夫变换检测电荷稳定性图中的线性特征，提取电荷转移区域的梯度。
• 对反射射频信号的I和Q分量应用阈值化和峰值检测算法，以减少数据量并降低噪声。
• 在64,000张模拟的稳定性图上训练集成回归模型（神经网络、随机森林、装袋、额外树），标签为归一化的梯度。
• 训练数据包含单、双和四量子点区域的模拟过渡，其电容矩阵已知。
• 将模型输出从θ转换为φ（互补角），以确定虚拟电压变换矩阵G。
• 在实验数据上验证该框架，显示梯度预测具有高精度。

实验结果

研究问题

• RQ1 机器学习能否实现对2×2量子点阵列中虚拟栅压的自动化提取，以减轻交叉电容效应？
• RQ2 集成回归模型从霍夫变换处理的稳定性图中预测过渡梯度的准确度如何？
• RQ3 该方法能否在极少重构的情况下推广至2×N量子点阵列？
• RQ4 与模拟数据相比，该算法在真实实验数据上的表现如何？

主要发现

• 集成模型在测试数据上达到0.978的R²值，表明其具有强大的预测性能。
• 模型对θ₁的过渡角度预测准确率为97.36%，对θ₂的预测准确率为99.29%。
• 该方法成功从实验数据中提取了虚拟电压，证明了其在真实场景中的适用性。
• 该框架可扩展至2×N阵列，实现了对更大规模量子点阵列的可扩展调节。
• 阈值化和峰值检测有效降低了射频信号数据中的噪声和混叠。
• 使用归一化、标准化的θ-直方图确保了在不同电容比下的模型训练一致性与泛化能力。