机器学习增强了对半导体量子点的评估
Emilio Corcione1,2, Fabian Jakob3,4,5, Lukas Wagner6,4,7
1Institute for System Dynamics, University of Stuttgart, Stuttgart, Germany. emilio.corcione@isys.uni-stuttgart.de.
Scientific reports
|February 20, 2024
概括
本研究介绍了一种机器学习方法,用于自动评估半导体量子点,用于单光子生成. 这种方法通过分析它们的辐射光谱来加快量子技术的量子点的选择.
科学领域:
- 量子光子学 量子光子学
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 单个光子和纠对的高效生成对量子光子学至关重要.
- 半导体量子点 (QD) 是有前途的发射器,但由于随机增长,在可扩展的按需生产方面面临挑战.
- 根据光谱特性评估QD适用于特定应用的适度,目前是一个手动,耗时的过程.
研究的目的:
- 开发一种自动化,数据驱动的机器学习 (ML) 方法来评估半导体量子点作为单个光子源的适用性.
- 通过分析它们的辐射光谱来加快前期选择有前途的量子点.
主要方法:
- 一种新的ML方法,将光谱分析与自编码卷积神经网络 (CNN) 结合起来,以获得QD发射光谱的简洁特征表示.
- 使用神经网络回归模型,将特征向量作为输入来预测适应性得分和信心度量.
- 训练和测试模型在大量自组装的InAs/GaAs QD排放光谱的数据集上,部分由专家标记.
主要成果:
- ML方法可靠且准确地评估量子点的适用性.
- 衍生的特征表示是最小的冗余,但对光谱分析具有最大的相关性.
- 该模型为每个量子点评估提供了技术适用性得分和信心水平.
结论:
- 拟议的ML方法比手工评估提供了显著的进步,自动化和加快了量子点的选择.
- 这种方法可以适应不同的光谱要求,并且独立于特定的光子结构,制造方法或材料组成.
- 这项工作是朝着量子点的综合评估框架迈出的重要一步,突出了ML在推进量子技术中的价值.
