[论文解读] Cross-Platform Autonomous Control of Minimal Kitaev Chains

David van Driel, Rouven Koch+22 more|arXiv (Cornell University)|May 7, 2024

Mobile Agent-Based Network Management被引用 4

一句话总结

该论文提出了一种基于卷积神经网络（CNN）的跨平台迁移学习方法，用于自主调谐最小Kitaev链至Majorana零模甜点。通过在理论模型上训练并在二维电子气平台进行微调，该方法在1D纳米线量子点器件中以67.6%的准确率成功定位了Majorana甜点，误差范围为±1.5 mV，展示了在不同实验平台间可迁移、数据高效的量子调控能力。

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.

研究动机与目标

• 解决在高维参数空间中复杂量子器件的自主调谐挑战。
• 克服平台特异性调谐的局限性，实现在不同实验平台（理论、二维电子气、一维纳米线）之间的迁移学习。
• 开发一种可在不依赖目标器件直接实验数据的情况下跨平台泛化的机器学习框架。
• 仅使用微分电导测量实现对Majorana零模甜点的自主收敛。
• 展示一种可扩展、数据高效的调控方法，用于调控相互作用量子系统中涌现的拓扑模式。

提出的方法

• 在理论Kitaev链模型上训练卷积神经网络（CNN），以分类主要隧穿过程（弹性共隧穿与交叉Andreev反射）。
• 利用CNN输出估算比值 $(t - \Delta)/(t + \Delta)$，其中 $t$ 为隧穿幅度，$\Delta$ 为超导配对，以识别Majorana甜点。
• 应用梯度下降算法，根据实时微分电导测量结果调整混合钳位门电压 ($V_{\text{ABS}}$)。
• 实施学习率退火策略，结合动量和自适应步长控制，以提高收敛稳定性。
• 使用容差阈值 $\tau = \frac{1}{32} \left( \frac{\gamma}{\Delta^*} \right)^2$ 定义收敛条件，其中 $\gamma$ 为共振线宽，$\Delta^*$ 为目标能隙。
• 记录并检测调谐过程中的超调现象，动态调整学习率和方向，提升在非理想条件下的鲁棒性。

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

实验结果

研究问题

• RQ1 在理论Kitaev链模型上训练的机器学习模型，能否在不同平台（二维电子气）的实验数据上有效微调，并成功部署于另一实验实现（一维纳米线）？
• RQ2 基于CNN的隧穿过程分类器在具有显著不同多体相互作用和测量噪声的实验平台之间，其泛化能力在多大程度上成立？
• RQ3 该自主调谐算法在真实1D纳米线量子点器件中定位Majorana零模甜点的收敛性能如何？
• RQ4 当目标平台与训练平台不同时，特别是在测量噪声存在和训练数据有限的情况下，该算法表现如何？
• RQ5 通过引入自适应学习率和超调检测机制，能否使算法对初始预测不佳的情况更具鲁棒性？

主要发现

• 在1D纳米线器件上，该算法在67.6%的调谐尝试中成功收敛至已知Majorana甜点的±1.5 mV范围内。
• 在80.9%的情况下，算法达到甜点的±4.5 mV以内，表现出强大的鲁棒性和可靠性。
• 平均收敛调谐时间不超过45分钟，表明其在实验工作流程中具有实际可行性。
• 基于CNN的隧穿过程分类实现了对 $(t - \Delta)/(t + \Delta)$ 比值的准确估计，该比值对识别甜点至关重要。
• 该方法实现了跨平台迁移学习：模型在理论上训练，于二维电子气数据上微调，并应用于1D纳米线器件，而无需目标平台的直接数据。
• 一次未收敛的运行揭示了CNN在低 $t + \Delta$ 值区域泛化能力的局限性，提示需在弱耦合区域提升数据覆盖。

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