Cross-Platform Autonomous Control of Minimal Kitaev Chains

Enunciado do Problema
Dispositivos quânticos mesoscópicos contemporâneos estão atingindo novos limites de tamanho e complexidade, facilitando a exploração experimental de modos quânticos emergentes. No entanto, essa escalabilidade introduz desafios significativos no ajuste (tuning) e controle de dispositivos. Embora o aprendizado de máquina (ML) tenha mostrado promessa na operação de pontos quânticos semicondutores, uma lacuna crítica permanece no desenvolvimento de modelos fundamentais que se generalizem através de diversas plataformas experimentais e em demonstrar utilidade além de simples diagramas de estabilidade de carga com baixas contagens de parâmetros. Especificamente, o ajuste autônomo de modos emergentes complexos, como os modos zero de Majorana de "Homem Pobre" (PMMs) em cadeias de Kitaev, não foi alcançado anteriormente sem depender de dados da plataforma experimental específica sendo ajustada.

Metodologia
Os autores propõem e demonstram um protocolo de ajuste autônomo cross-platform para uma cadeia de Kitaev mínima. A metodologia baseia-se em uma abordagem de transferência de aprendizado envolvendo três objetos distintos: um modelo teórico, um dispositivo de gás de elétrons bidimensional (2DEG) (Dispositivo B) e um dispositivo de nanofio unidimensional (Dispositivo A).

1. Treinamento Teórico: Uma Rede Neural Convolucional (CNN) é inicialmente treinada em 6.000 diagramas de estabilidade de carga (CSDs) simulados, gerados a partir de um modelo de teoria efetiva de uma cadeia de Kitaev de três sítios. O modelo prevê a razão entre as taxas de cotunelamento elástico (ECT) e reflexão de Andreev cruzada (CAR), rotulada como $(t - \Delta)/(t + \Delta)$, onde $t = \Delta$ corresponde ao "ponto ideal" (sweet spot) onde os PMMs emergem.
2. Validação Cross-Platform e Retreinamento: A CNN é primeiro validada em dados experimentais do Dispositivo B (2DEG). Para melhorar a precisão e reduzir o hiato de domínio entre a teoria e o experimento, o modelo é retreinado em um pequeno subconjunto (51 CSDs rotulados) de dados experimentais do Dispositivo B.
3. Aplicação ao Dispositivo Alvo: O modelo retreinado é aplicado ao Dispositivo A (nanofio) sem utilizar quaisquer dados de treinamento do Dispositivo A. A CNN prevê a razão $(t - \Delta)/(t + \Delta)$ a partir da condutância diferencial local medida ($G_{LL} \cdot G_{RR}$).
4. Otimização por Gradiente Descendente: Essas previsões servem como entrada para um algoritmo de gradiente descendente que ajusta a tensão do portão de placa híbrida ($V_{ABS}$) para minimizar a função de custo $f(V_{ABS}) = |(t - \Delta)/(t + \Delta)|$, conduzindo o sistema em direção ao ponto ideal.

Principais Contribuições

• Transferência de Aprendizado Cross-Platform: O trabalho demonstra que um algoritmo de ajuste treinado em teoria e em uma plataforma experimental diferente (2DEG) pode ajustar com sucesso uma arquitetura de dispositivo distinta (nanofio) sem retreinamento específico nos dados do dispositivo alvo.
• Ajuste Autônomo de Modo Emergente: O protocolo ajusta autonomamente uma cadeia de Kitaev mínima para a emergência de PMMs, indo além da simples estabilização de carga para o controle de estados de quase-partículas complexas.
• Robustez a Campos Magnéticos: O algoritmo é testado sob campos magnéticos nulo e finito ($B = 150$ mT), mostrando funcionalidade em ambos os regimes, embora com taxas de convergência variando dependendo da força de interação.

Resultos

• Desempenho de Convergência (Campo Zero): Em campo magnético zero, o algoritmo converge com sucesso para a vizinhança imediata de um ponto ideal em 67,6% das tentativas (dentro de $\pm 1,5$ mV) e em 80,9% dos casos (dentro de $\pm 4,5$ mV). O tempo típico para encontrar um ponto ideal é de 45 minutos ou menos.
• Desempenho de Convergência (Campo Finito): Sob um campo magnético finito ($B = 150$ mT), a convergência é menos frequente devido às interações mais fracas entre os pontos quânticos e à menor condutância, o que desafia o modelo treinado em dados de forte interação. No entanto, a análise estatística de múltiplas execuções ainda identifica pontos ideais, com 45,7% das execuções convergindo dentro de $\pm 1,62$ mV e 60% dentro de $\pm 4,85$ mV dos pontos ideais verificados.
• Generalização: As previsões da CNN no Dispositivo A correspondem de perto aos valores experimentais para pequenas razões de $(t - \Delta)/(t + \Delta)$, identificando corretamente a mudança de sinal que indica um ponto ideal. O modelo também se generaliza para um conjunto de dados de campo finito anteriormente não visto de um dispositivo 2DEG, confirmando sua capacidade de operar em campos magnéticos finitos, desde que o acoplamento do ponto quântico seja suficientemente forte.

Significância
Os autores posicionam este trabalho como um degrau para o ajuste autônomo de modos emergentes em sistemas interagentes e para o desenvolvimento de modelos de ML de ajuste fundamentais, implantáveis em uma gama de plataformas experimentais. Ao ajustar com sucesso uma cadeia de Kitaev mínima sem dados de treinamento específicos da plataforma, o método aborda os desafios de escalabilidade de dispositivos quânticos de estado sólido. O artigo conclui que esta abordagem pavimenta o caminho para o ajuste de cadeias de Kitaev mais complexas e longas, necessárias para operações de computação quântica topológica, como trançamento (braiding) e fusão de anyons, propondo um protocolo para estender o algoritmo de ajuste par para comprimentos de cadeia arbitrários.