【本学研究者情報】

〇材料科学高等研究所/電気通信研究所　准教授　大塚 朋廣
研究室ウェブサイト

【発表のポイント】

• 半導体量子ドット^（注1）の電荷状態を調べられる電荷状態推定器を、人工知能（AI）に含まれる機械学習の手法で、画像の特徴抽出などに用いる畳み込みニューラルネットワーク(CNN) ^（注2）によって実現しました。
• これまでブラックボックスとなっていた電荷状態推定器の判断根拠を可視化でき、推定器の性能改善の指針となることを示しました。
• この推定器を活用することで半導体スピン量子ビット^（注3）のパラメーターを自動で調整できることが期待されます。将来的に多数の量子ビットを人の手で調整することが難しくなる場合でも、本技術が自動調整を可能にし、量子コンピューターの大規模化に貢献することが期待されます。

【概要】

集積性や既存の半導体技術との親和性の高さなどの観点から、半導体スピン量子ビットは量子コンピューター^（注4）の構成要素として期待されています。大規模な量子コンピューターに向けては、多数の量子ビットを連動させ、制御する必要がありますが、その際に制御パラメーター調整の自動化が重要です。

東北大学大学院工学研究科の武藤由依大学院生（電気通信研究所所属）、同大学材料科学高等研究所（WPI-AIMR）の篠﨑基矢特任助教と大塚朋廣准教授（電気通信研究所兼任）、同大学未踏スケールデータアナリティクスセンターの志賀元紀教授（大学院情報科学研究科兼任）らは、2つの量子ドットが静電的に結合した二重量子ドットのシミュレーションデータをCNNに学習させることで、電荷状態の自動推定器を実現し、実際の実験データにおける電荷状態推定を実証しました。またGrad-CAM（Gradient-Weighted Class Activation Mapping）^（注5）と呼ぶ技術を用いることで、推定器の判断根拠を可視化し、更なる性能改善が可能であることを実証しました。今後は本推定手法とパラメーターの自動最適化手法を組み合わせて量子ドット調整自動化を進め、量子コンピューターの大規模化に貢献することが期待されます。

本研究成果は、2024年4月15日（現地時間）に米国物理学協会の専門誌APL Machine Learningにオンライン掲載されました。

【用語解説】

注1. 半導体量子ドット
電子が三次元的に閉じ込められた寸法が数十ナノメートル程度（nm：ナノは10億分の1）の半導体。量子箱とも言う。

注2. 畳み込みニューラルネットワーク(CNN)
掛け算の結果を順次加算する畳み込み演算（積和演算）により、画像から様々な特徴を抽出するためのネットワーク。画像分類等に用いられる。

注3. 半導体スピン量子ビット
量子コンピューターの計算素子である量子ビットの実装法の1つ。量子ドット中に電気的に閉じ込められた電子のスピンをビットとして活用する。

注4. 量子コンピューター
量子力学の現象を情報処理技術に適用し、従来型の古典コンピューターでは容易に解くことのできない複雑な計算をこなすことができるコンピューター。

注5. Grad-CAM （Gradient-Weighted Class Activation Mapping）
CNNによる画像分類の予測時に、画像中で重要な特徴領域を可視化する技術。

詳細（プレスリリース本文）

問い合わせ先

（研究に関すること）
東北大学　材料科学高等研究所（WPI-AIMR）
（兼）東北大学　電気通信研究所
（兼）東北大学　大学院工学研究科
（兼）東北大学　Tohoku Quantum Alliance (TQA)
（兼）東北大学　先端スピントロニクス研究開発センター
准教授　大塚　朋廣
TEL: 022-217-5509
Email: tomohiro.otsuka*tohoku.ac.jp（*を@に置き換えてください）

（報道に関すること）
東北大学材料科学高等研究所（WPI-AIMR）
広報戦略室
TEL: 022-217-6146
Email: aimr-outreach*grp.tohoku.ac.jp（*を@に置き換えてください）