[论文解读] Bridging the reality gap in quantum devices with physics-aware machine learning
本文提出了一种物理感知的机器学习框架，通过结合深度学习、高斯过程和贝叶斯推断的混合方法，从电子输运数据中推断静电无序势，从而弥合固态量子器件中的现实差距。该方法能够以高保真度基于实验栅压测量，准确预测AlGaAs/GaAs器件中的双量子点区域。
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.
研究动机与目标
- 解决由于材料无序性不可控及仿真与实验之间差异导致的量子器件优化中的现实差距问题。
- 从间接的电子输运测量中推断纳米尺度量子点中静电无序的空间分布。
- 开发一种可扩展的、物理信息驱动的推断框架，结合深度学习与贝叶斯方法，实现高效且精确的无序势重建。
- 通过预测栅压空间中实验可观测的双量子点特征，验证推断出的无序势。
提出的方法
- 一种物理感知的机器学习框架将物理电势模型与深度学习相结合，加速量子点中电子输运的仿真。
- 使用模拟输运数据训练一个深度神经网络（CNN），以预测电流概率随栅压和无序势的变化。
- 通过带诱导点和随机傅里叶特征的高斯过程，将高维的二维无序势重新参数化为低维参数形式，降低计算成本。
- 通过哈密顿蒙特卡洛进行贝叶斯推断，从实验输运数据中采样无序参数的后验分布。
- 采用近似贝叶斯计算，基于预测与观测电流概率之间的KL散度构建似然函数。
- 在离线阶段使用模拟数据对诱导点进行优化，以在真实实验测量的推断前校准模型。
实验结果
研究问题
- RQ1物理感知的机器学习模型能否从间接输运测量中准确推断出量子点器件中静电无序的空间分布？
- RQ2与纯数据驱动模型相比，引入物理约束和先验知识在多大程度上提升了无序推断的泛化能力和准确性？
- RQ3推断出的无序势在多大程度上能够预测栅压空间中双量子点特征的位置？
- RQ4通过诱导点和随机傅里叶特征实现的降维对推断过程的效率和准确性有何影响？
- RQ5无序势的后验样本在多大程度上能再现实验观测到的输运特征？
主要发现
- 物理感知的机器学习框架成功地从实验输运数据中高精度地推断出AlGaAs/GaAs量子点器件中的无序势。
- 在栅压空间中预测的双量子点特征与实验观测结果高度吻合，验证了模型的预测能力。
- 该方法在150–320个后验样本下实现了可靠的推断，表明贝叶斯采样具有良好的鲁棒性和收敛性。
- 使用诱导点和随机傅里叶特征显著降低了推断问题的维度，同时保留了无序势的关键物理特征。
- 深度学习代理模型实现了电流概率的快速预测，使得尽管物理系统复杂，整个推断过程在计算上仍可行。
- 与无先验信息的模型相比，该框架在预测双量子点区域方面表现更优，证实了引入物理先验的优势。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。