Sélection de la langue

Gouvernement du Canada / Government of Canada

Recherche

Robust quantum dots charge autotuning using neural network uncertainty

Par Conseil national de recherches du Canada

Téléchargement
  1. (PDF, 2.2 Mio)
DOITrouver le DOI : https://doi.org/10.1088/2632-2153/ad88d5
AuteurRechercher : Identifiant ORCID : https://orcid.org/0000-0003-4517-5042; Rechercher : Identifiant ORCID : https://orcid.org/0009-0005-0384-1109; Rechercher : Identifiant ORCID : https://orcid.org/0009-0003-5789-3807; Rechercher : ; Rechercher : Identifiant ORCID : https://orcid.org/0000-0002-5244-3474; Rechercher : Identifiant ORCID : https://orcid.org/0000-0002-2145-7590; Rechercher : ; Rechercher : Identifiant ORCID : https://orcid.org/0000-0002-1314-9715; Rechercher : 1Identifiant ORCID : https://orcid.org/0000-0002-1929-2715; Rechercher : ; Rechercher : Identifiant ORCID : https://orcid.org/0000-0003-0311-8840; Rechercher : Identifiant ORCID : https://orcid.org/0000-0002-5505-8176; Rechercher : Identifiant ORCID : https://orcid.org/0000-0003-2156-967X
Affiliation
  1. Conseil national de recherches Canada. Quantique et nanotechnologies
Bailleur de fondsRechercher : Fonds de Recherche du Québec - Nature et Technologies; Rechercher : National Science Engineering Research Council of Canada
FormatTexte, Article
Sujetartificial neural network; Bayesian nerual network; quantum dot; charge autotuning; uncertainty estimation
Résumé
This study presents a machine learning-based procedure to automate the charge tuning of semiconductor spin qubits with minimal human intervention, addressing one of the significant challenges in scaling up quantum dot technologies. This method exploits artificial neural networks to identify noisy transition lines in stability diagrams, guiding a robust exploration strategy leveraging neural network uncertainty estimations. Tested across three distinct offline experimental datasets representing different single-quantum-dot technologies, this approach achieves a tuning success rate of over 99% in optimal cases, where more than 10% of the success is directly attributable to uncertainty exploitation. The challenging constraints of small training sets containing high diagram-to-diagram variability allowed us to evaluate the capabilities and limits of the proposed procedure.
Date de publication
Maison d’éditionIOP Publishing
Dans
  • Machine Learning: Science and Technology 5, nº 4, 045034 (1 décembre 2024) : 1–14.
Langueanglais
Publications évaluées par des pairsOui
Exporter la noticeExporter en format RIS
Signaler une correctionSignaler une correction (s'ouvre dans un nouvel onglet)
Identificateur de l’enregistrementaee92f00-a3f7-4a2d-814e-4a47153aaa1b
Enregistrement créé2025-04-02
Enregistrement modifié2025-11-03
Date de modification :