机器学习模型的视觉解释用于估计量子点中的电荷状态

一组研究人员成功地展示了使用机器学习技术在量子点设备中自动识别电荷状态，这代表着朝着自动准备和调整用于量子信息处理的量子比特(qubits)迈出了重要一步。

半导体量子比特使用半导体材料来创建量子比特。这些材料在传统电子产品中很常见，因此可以与传统半导体技术集成。正是由于这种兼容性，科学家们认为它们是实现量子计算机的未来量子比特的有力候选者。

在半导体自旋量子比特中，量子点中电子的自旋状态是数据的基本单位，即量子比特。形成这些量子比特状态需要调整许多参数，例如栅极电压，而这项工作由人类专家完成。

但随着量子比特数的增加，参数数量过多，调节也变得越来越复杂，在实现大规模计算机时就会出现问题。

东北大学材料高级研究所(WPI-AIMR)副教授TomohiroOtsuka说：“为了克服这个问题，我们开发了一种自动估计双量子点中电荷状态的方法，这对于创建每个量子点容纳一个电子的自旋量子比特至关重要。”

该图使用Grad-CAM对电荷状态估计正确的区域中估计器的决策基础进行了可视化。对应于电荷转换线的像素被突出显示。来源：APL机器学习(2024)。DOI：10.1063/5.0193621

Otsuka和他的团队使用电荷传感器获得了电荷稳定性图，以确定最佳栅极电压组合，从而确保每个点恰好有一个电子。要实现此调整过程的自动化，需要开发一个能够根据稳定图中电荷转换线的变化对电荷状态进行分类的估算器。

为了构建此估算器，研究人员采用了卷积神经网络(CNN)，该网络使用轻量级模拟模型：恒定交互模型(CI模型)准备的数据进行训练。预处理技术增强了数据简单性和抗噪性，优化了CNN准确分类电荷状态的能力。

在使用实验数据测试估算器后，初步结果显示大多数电荷状态的估算都是有效的，尽管某些状态的错误率较高。为了解决这个问题，研究人员利用Grad-CAM可视化来揭示估算器中的决策模式。

他们发现，错误通常归因于被误解为电荷跃迁线的巧合相关噪声。通过调整训练数据和改进估算器的结构，研究人员显著提高了以前容易出错的电荷状态的准确性，同时保持了其他电荷状态的高性能。

“利用这个估算器意味着半导体自旋量子比特的参数可以自动调整，如果我们要扩大量子计算机的规模，这一点是必要的，”Otsuka说。“此外，通过可视化之前黑箱化的决策基础，我们已经证明它可以作为提高估算器性能的指导方针。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！