Cross-Platform Autonomous Control of Minimal Kitaev Chains

Problematica
I dispositivi quantistici mesoscopici contemporanei stanno raggiungendo nuovi limiti in termini di dimensioni e complessità, facilitando l'esplorazione sperimentale di modi emergenti. Tuttavia, questa scalabilità introduce sfide significative nella sintonizzazione (tuning) e nel controllo dei dispositivi. Sebbene l'apprendimento automatico (ML) abbia mostrato potenziale nell'operare punti quantici semiconduttori, rimane un divario critico nello sviluppo di modelli fondativi che si generalizzino attraverso diverse piattaforme sperimentali e nel dimostrare utilità oltre i semplici diagrammi di stabilità di carica con bassi conteggi di parametri. Nello specifico, la sintonizzazione autonoma di complessi modi emergenti, come i modi zero di Majorana "Poor Man's" (PMM) nelle catene di Kitaev, non è stata precedentemente raggiunta senza fare affidamento su dati della specifica piattaforma sperimentale oggetto della sintonizzazione.

Metodologia
Gli autori propongono e dimostrano un protocollo di sintonizzazione autonoma cross-platform per una catena di Kitaev minimale. La metodologia si basa su un approccio di transfer learning che coinvolge tre oggetti distinti: un modello teorico, un dispositivo a gas elettronico bidimensionale (2DEG, Dispositivo B) e un dispositivo a nanofilo monodimensionale (Dispositivo A).

1. Addestramento Teorico: Una Rete Neurale Convoluzionale (CNN) viene inizialmente addestrata su 6.000 diagrammi di stabilità di carica (CSD) simulati, generati da un modello di teoria effettiva di una catena di Kitaev a tre siti. Il modello predice il rapporto tra i tassi di co-tunneling elastico (ECT) e riflessione di Andreev incrociata (CAR), etichettato come $(t - \Delta)/(t + \Delta)$, dove $t = \Delta$ corrisponde al "punto ottimale" (sweet spot) in cui emergono i PMM.
2. Validazione Cross-Platform e Retraining: La CNN viene prima validata su dati sperimentali dal Dispositivo B (2DEG). Per migliorare l'accuratezza e colmare il divario di dominio tra teoria ed esperimento, il modello viene riaddestrato su un piccolo sottoinsieme (51 CSD etichettati) di dati sperimentali dal Dispositivo B.
3. Applicazione al Dispositivo Target: Il modello riaddestrato viene applicato al Dispositivo A (nanofilo) senza utilizzare alcun dato di addestramento dal Dispositivo A. La CNN predice il rapporto $(t - \Delta)/(t + \Delta)$ partendo dalla conduttanza differenziale locale misurata ($G_{LL} \cdot G_{RR}$).
4. Ottimizzazione tramite Discesa del Gradiente: Queste predizioni servono come input per un algoritmo di discesa del gradiente che regola la tensione del gate plunger ibrido ($V_{ABS}$) per minimizzare la funzione di costo $f(V_{ABS}) = |(t - \Delta)/(t + \Delta)|$, guidando il sistema verso lo sweet spot.

Contributi Chiave

• Transfer Learning Cross-Platform: Il lavoro dimostra che un algoritmo di sintonizzazione addestrato sulla teoria e su una diversa piattaforma sperimentale (2DEG) può sintonizzare con successo un'architettura di dispositivo distinta (nanofilo) senza necessità di retraining specifico sul dato del dispositivo target.
• Sintonizzazione Autonoma di Modi Emergenti: Il protocollo sintonizza autonomamente una catena di Kitaev minimale verso l'emergenza dei PMM, andando oltre la semplice stabilizzazione di carica al controllo di stati di quasi-particelle complessi.
• Robustezza ai Campi Magnetici: L'algoritmo è testato sia in campo magnetico nullo che in campo finito ($B = 150$ mT), mostrando funzionalità in entrambi i regimi, sebbene con tassi di convergenza variabili a seconda della forza dell'interazione.

Risultati

• Performance di Convergenza (Campo Nullo): In assenza di campo magnetico, l'algoritmo converge con successo nelle immediate vicinanze di uno sweet spot nel 67,6% dei tenti (entro $\pm 1,5$ mV) e nell'80,9% dei casi (entro $\pm 4,5$ mV). Il tempo tipico per trovare uno sweet spot è di 45 minuti o meno.
• Performance di Convergenza (Campo Finito): Sotto un campo magnetico finito ($B = 150$ mT), la convergenza è meno frequente a causa delle interazioni più deboli tra i punti quantici e di una conduttanza inferiore, il che mette alla prova il modello addestrato su dati con forti interazioni. Tuttavia, l'analisi statistica di più esecuzioni identifica comunque gli sweet spot, con il 45,7% delle esecuzioni che converge entro $\pm 1,62$ mV e il 60% entro $\pm 4,85$ mV rispetto agli sweet spot verificati.
• Generalizzazione: Le predizioni della CNN sul Dispositivo A corrispondono strettamente ai valori sperimentali per piccoli rapporti $(t - \Delta)/(t + \Delta)$, identificando correttamente il cambio di segno che indica uno sweet spot. Il modello si generalizza inoltre a un dataset di campo finito precedentemente non visto proveniente da un dispositivo 2DEG, confermando la sua capacità di operare a campi magnetici finiti, a condizione che l'accoppiamento del punto quantico sia sufficientemente forte.

Significatività
Gli autori pongono questo lavoro come un passo avanti verso la sintonizzazione autonoma di modi emergenti in sistemi interagenti e lo sviluppo di modelli di ML di sintonizzazione fondativi, impiegabili su una gamma di piattaforme sperimentali. Sintonizzando con successo una catena di Kitaev minimale senza dati di addestramento specifici della piattaforma, il metodo affronta le sfide di scalabilità dei dispositivi quantistici allo stato solido. Il documento conclude che questo approccio apre la strada alla sintonizzazione di catene di Kitaev più complesse e lunghe, necessarie per operazioni di calcolo quantistico topologico come il braiding e la fusione di anyoni, proponendo un protocollo per estendere l'algoritmo di sintonizzazione a coppie a lunghezze arbitrarie della catena.