[论文解读] Miniaturizing neural networks for charge state autotuning in quantum dots

Stefanie Czischek, Victor Yon+9 more|arXiv (Cornell University)|Jan 8, 2021

Advanced Memory and Neural Computing参考文献 46被引用 21

一句话总结

本文提出了一种基于合成稳定性图训练的超紧凑前馈神经网络，用于检测量子点器件中的电荷态转变线。该网络仅需25个输入神经元，即可在分类转变线方面实现高精度，且尺寸足够小，可直接部署于现有的忆阻器交叉阵列上，从而实现低功耗、片上自动调谐，适用于可扩展的量子点量子计算机。

ABSTRACT

A key challenge in scaling quantum computers is the calibration and control of multiple qubits. In solid-state quantum dots, the gate voltages required to stabilize quantized charges are unique for each individual qubit, resulting in a high-dimensional control parameter space that must be tuned automatically. Machine learning techniques are capable of processing high-dimensional data - provided that an appropriate training set is available - and have been successfully used for autotuning in the past. In this paper, we develop extremely small feed-forward neural networks that can be used to detect charge-state transitions in quantum dot stability diagrams. We demonstrate that these neural networks can be trained on synthetic data produced by computer simulations, and robustly transferred to the task of tuning an experimental device into a desired charge state. The neural networks required for this task are sufficiently small as to enable an implementation in existing memristor crossbar arrays in the near future. This opens up the possibility of miniaturizing powerful control elements on low-power hardware, a significant step towards on-chip autotuning in future quantum dot computers.

研究动机与目标

• 解决多量子比特量子点系统中高维栅压调谐的挑战。
• 开发最小化的神经网络，以检测稳定性图中的电荷态转变线。
• 通过设计与新兴忆阻器硬件兼容的网络，实现在片上的自动调谐实现。
• 证明在合成数据上训练的模型可迁移至真实的实验性量子点器件。
• 通过基于补丁的扫描策略，仅覆盖稳定性图的小区域，从而最小化实验测量成本。

提出的方法

• 在模拟软件生成的合成稳定性图上训练小型前馈神经网络（FFNNs）。
• 使用预处理后的5×5像素补丁作为FFNNs的输入，用于转变线分类。
• 设计参数量极少的网络——参数数量在几十到几百量级——适合忆阻器交叉阵列。
• 实施补丁移动策略，逐步扫描整个稳定性图，逐段识别转变线。
• 使用单个输出神经元来判断给定补丁中是否存在转变线。
• 使用监督学习方法训练网络，标签来自模拟数据的真值，随后在真实实验数据上进行评估。

实验结果

研究问题

• RQ1 极小的神经网络能否在量子点稳定性图中以高精度检测电荷态转变线？
• RQ2 在合成数据上训练的模型能否有效泛化至真实的实验性硅基金属-氧化物-半导体量子点器件？
• RQ3 实现高成功率的转变线检测所需的最小网络尺寸是多少？
• RQ4 基于补丁的扫描策略能否通过聚焦于稳定性图的小区域，降低实验测量成本？
• RQ5 这些紧凑网络是否与现有忆阻器交叉阵列硬件兼容，适用于片上部署？

主要发现

• 仅需25个输入神经元（5×5补丁）的神经网络即可在稳定性图中高精度检测电荷态转变线。
• 在合成数据上训练的模型能有效泛化至真实的实验性硅基金属-氧化物-半导体量子点器件。
• 实现高成功率所需的最小网络尺寸小到足以部署于现有的忆阻器交叉阵列上。
• 使用连接的补丁阵列可提高自动调谐的成功率，同时最小化所需测量次数。
• 该方法通过仅覆盖稳定性图中较小的、目标明确的区域，显著降低了实验测量成本。
• 整个自动调谐流程，包括转变线检测，均可通过新兴忆阻器硬件实现低功耗、片上部署。