近期,對量子科技的重視上升至國家層面,關於量子科技的報導驟然多了許多,而發展量子科技最重要的基礎之一就是多端子耦合的納米功能器件,本文將為大家介紹最新發表在Nature Nanotechnology上關於納米電子器件的研究。
▲第一作者:Hans-Christian Ruiz Euler & Marcus N. Boon
通訊作者:Wilfred G. van der Wiel
通訊單位:University of Twente, Enschede, The Netherlands.
DOI:10.1038/s41565-020-00779-y
背景介紹
納米級器件一般都需要經過精確的優化過程後才能發揮其應有的作用或功能。當納米器件間端子和耦合的數量增加時,要想將它們調整到所需的工作狀態會變得越來越困難和耗時。此外,缺陷和器件之間的差異性也阻礙了使用基於物理模型的方法對納米器件的優化。
當前應用於量子技術和基於硬體的計算範式的多端子納米電子器件需要對控制電壓進行微調,以實現所需的功能。而對於量子技術的應用,需要更大參數空間的納米器件也即需要對其進行多端子耦合集成。例如,由許多耦合量子點組成的大型系統具有較大的參數空間,因此需要更複雜的調整方法。現有的調整方法是基於『device-in-the-loop』即晶片上的方法,其中在優化過程中需要對物理設備進行測量。僅通過實驗來找到所需的複雜功能將變得越來越具有挑戰性。
隨著互連納米電子器件數量和複雜性的增加,對自動調諧方法的需求也隨之增加。目前現有方法要麼依賴於搜索啟發法,要麼越來越依賴於將測量與輸出響應的圖像分析或梯度估計相結合的機器學習方法,以迭代收斂得到所需的功能。
深度神經網絡(DNN)可以對各種複雜的物理現象進行建模,但到目前為止主要被當作預測工具來使用。那麼相比之下,是否利用DNN方法來調整量子信息處理中使用的量子點體系結構將更具有優勢呢?通過梯度下降以快速、完全自動化的方式來模擬物理設備將會使得其中的參數調整完全在晶片外進行。
本文亮點
1、提出了一種通用的、有效優化複雜多端子納米電子器件,以實現所需功能的深度學習方法。
2、通過使用DNN,作者演示了在由硼摻雜矽(Si:B)組成八個端子接觸的無序網絡中實現納米器件的功能。
3、該方法不僅限於納米電子器件,還可以應用於功能複雜且具有挑戰性的任何複雜、可調諧的靜態系統,例如可編程超表面。
4、通過使用標準的機器學習技術和庫,該方法的通用性可確保對可使用控制參數的各種物理系統進行優化。這將有可能在複雜(量子)納米電子器件的快速原位優化方面做出貢獻。
圖文解析
▲圖1. 使用DNN模型在納米電子器件中實現功能
要點:
1、研究人員先對DNN模型進行訓練、測試,然後使用DNN對器件的輸入-輸出特性進行建模模擬,最後通過梯度下降法來優化DNN模型中的控制參數,以實現各種分類任務。
2、對於更多輸入終端,可以使用模塊化方法,為具有仍可管理數量終端的單獨模塊創建DNN模型。然後,通過耦合各個模塊的DNN來對整個系統響應進行建模。
▲圖2. 採樣輸入-輸出數據以訓練和測試DNN、 DNN預測和設備功能驗證
要點:
1、 DNN模型的建立涉及輸入-輸出數據的收集和培訓,每個設備只需要執行一次。
2、 設置DNN模型後,無需在設備上進行進一步試驗,就可以使用該模型搜索各種功能。
3、 DNN體系結構的選擇決定了功能預測的可靠性,且可靠性因不同的物理系統而異。
4、 目前該方法由於採樣速度的限制(50 Hz),當採樣密度保持恆定時,採樣時間將與輸入端子的數量成指數比例。
5、 在保持相同採樣密度的同時將採樣速度提高到100 MHz,則輸入端子的數量可以增加一倍,達到大約14,而不會增加採樣時間。
▲圖3. 布爾邏輯的預測和驗證
要點:
1、 由於DNN的輸入評估效率很高,因此我們能夠比結合物理算法和進化算法更快地找到所有的布爾功能且快兩個數量級。
2、 當將相應的控制設置被應用於物理設備時,器件所產生的功能被證實恰好是DNN模型所預測的。
3、 可以通過在輸出和目標數據上訓練單個感知器來自動確定具有區分每個邏輯門能力的最佳閾值電流值。
4、 歸一化的均方根誤差(RMSE)顯示,預測最差的門(NAND和OR)的相對誤差為5.6%。
▲圖4. 環分類功能和特徵映射任務分析
要點:
1、能夠輕鬆實現更複雜的環分類和2×2像素特徵映射功能,這表明設備具有增強的計算能力。
2、作為當前工作的擴展,作者還探索了許多設備的耦合以創建具有更多輸入-輸出和控制參數的分層結構。
原文連結:
https://www.nature.com/articles/s41565-020-00779-y