Cross-Platform Autonomous Control of Minimal Kitaev Chains

Probleemstelling
Hedendaagse mesoscopische kwantumapparaten bereiken nieuwe grenzen in grootte en complexiteit, wat de experimentele verkenning van emergente kwantummodi faciliteert. Deze schaalbaarheid introduceert echter aanzienlijke uitdagingen voor de afstemming en controle van apparaten. Hoewel machine learning (ML) veelbelovend is gebleken bij het aansturen van halfgeleidende kwantumdots, blijft er een kritiek gat bestaan in het ontwikkelen van fundamentele modellen die generaliseren over diverse experimentele platforms en in het demonstreren van bruikbaarheid buiten eenvoudige ladingstabiliteitsdiagrammen met een laag aantal parameters. Met name de autonome afstemming van complexe emergente modi, zoals de "Poor Man's Majorana zero modes" (PMM's) in Kitaev-ketens, is voorheen niet bereikt zonder te vertrouwen op data van het specifieke experimentele platform dat wordt afgestemd.

Methodologie
De auteurs stellen een cross-platform autonoom afstemprotocol voor een minimale Kitaev-keten voor en demonstreren dit. De methodologie berust op een transfer learning-aanpak waarbij drie verschillende objecten betrokken zijn: een theoretisch model, een twee-dimensionaal elektronengas-apparaat (2DEG, Device B) en een één-dimensionaal nanowire-apparaat (Device A).

1. Theoretische training: Een Convolutioneel Neuraal Netwerk (CNN) wordt aanvankelijk getraind op 6.000 gesimuleerde ladingstabiliteitsdiagrammen (CSD's) gegenereerd vanuit een effectief theoretisch model van een drieplekken Kitaev-keten. Het model voorspelt de ratio van elastische co-tunneling (ECT) tot crossed Andreev reflection (CAR) snelheden, gelabeld als $(t - \Delta)/(t + \Delta)$, waarbij $t = \Delta$ overeenkomt met het "sweet spot" waar PMM's emergeren.
2. Cross-platform validatie en hertraining: Het CNN wordt eerst gevalideerd op experimentele data van Device B (2DEG). Om de nauwkeurigheid te verbeteren en de domeinkloof tussen theorie en experiment te overbruggen, wordt het model hertraind op een kleine subset (51 gelabelde CSD's) van experimentele data van Device B.
3. Toepassing op doelapparaat: Het hertrainde model wordt toegepast op Device A (nanowire) zonder gebruik te maken van enige trainingsdata van Device A. Het CNN voorspelt de $(t - \Delta)/(t + \Delta)$-ratio op basis van gemeten lokale differentiële conductantie ($G_{LL} \cdot G_{RR}$).
4. Gradient Descent Optimalisatie: Deze voorspellingen dienen als input voor een gradient descent-algoritme dat de hybride plunger gate spanning ($V_{ABS}$) aanpast om de kostenfunctie $f(V_{ABS}) = |(t - \Delta)/(t + \Delta)|$ te minimaliseren, wat het systeem naar het sweet spot stuurt.

Belangrijkste Bijdragen

• Cross-Platform Transfer Learning: Dit werk demonstreert dat een afstemalgoritme dat getraind is op theorie en een ander experimenteel platform (2DEG) succesvol een verschillend apparaatarchitectuur (nanowire) kan afstemmen zonder specifieke hertraining op de data van het doelapparaat.
• Autonome Afstemming van Emergente Modi: Het protocol stemt autonoom een minimale Kitaev-keten af naar de emergentie van PMM's, waarmee het verder gaat dan eenvoudige ladingstabilisatie naar de controle van complexe quasipartikeltoestanden.
• Robuustheid tegen Magnetische Velden: Het algoritme wordt getest onder zowel nul als eindige magnetische velden ($B = 150$ mT), waarbij het functionaliteit vertoont in beide regimes, hoewel de convergentiesnelheid varieert afhankelijk van de interactiestrengte.

Resultaten

• Convergentieprestaties (Nulveld): In een nulpunt magnetisch veld convergeert het algoritme succesvol naar de directe nabijheid van een sweet spot in 67,6% van de pogingen (binnen $\pm 1,5$ mV) en in 80,9% van de gevallen (binnen $\pm 4,5$ mV). De typische tijd om een sweet spot te vinden is 45 minuten of minder.
• Convergentieprestaties (Eindig Veld): Onder een eindig magnetisch veld ($B = 150$ mT) is convergentie minder frequent door zwakkere kwantumdot-interacties en lagere conductantie, wat het op sterk geïnteracteerde data getrainde model uitdaagt. Echter, statistische analyse van meerdere runs identificeert nog steeds sweet spots, waarbij 45,7% van de runs convergeert binnen $\pm 1,62$ mV en 60% binnen $\pm 4,85$ mV van geverifieerde sweet spots.
• Generalisatie: De CNN-voorspellingen op Device A komen nauw overeen met experimentele waarden voor kleine $(t - \Delta)/(t + \Delta)$-ratio's, waarbij de tekenverandering die een sweet spot aangeeft correct wordt geïdentificeerd. Het model generaliseert ook naar een voorheen ongeziene eindige-veld dataset van een 2DEG-apparaat, wat de capaciteit bevestigt om bij eindige magnetische velden te opereren, mits de kwantumdot-koppeling voldoende sterk is.

Betekenis
De auteurs positioneren dit werk als een stap richting de autonome afstemming van emergente modi in interagerende systemen en de ontwikkeling van fundamentele afstemmende ML-modellen die inzetbaar zijn over een reeks experimentele platforms. Door succesvol een minimale Kitaev-keten af te stemmen zonder platformspecifieke trainingsdata, adresseert de methode de schaalbaarheidsuitdagingen van vastestof kwantumapparaten. Het artikel concludeert dat deze aanpak de weg vrijmaakt voor het afstemmen van complexere, langere Kitaev-ketens die vereist zijn voor topologische kwantumcomputer-operaties zoals braiding en anyon-fusie, en stelt een protocol voor om het paar-afstemalgoritme uit te breiden naar willekeurige ketenlengtes.