Réglage par apprentissage automatique des chaînes de Kitaev artificielles à partir de mesures de spectroscopie de tunneling

Nous démontrons un réglage fiable par apprentissage automatique des chaînes de Kitaev artificielles basées sur des points quantiques vers des points doux de Majorana, en utilisant l'algorithme d'adaptation de la matrice de covariance. Nous montrons qu'une fonction de perte basée sur des caractéristiques de spectroscopie de tunneling locales d'une chaîne avec deux points capteurs supplémentaires ajoutés à ses extrémités fournit une métrique fiable pour naviguer dans l'espace des paramètres et trouver des points où la réflexion d'Andreev croisée et le cotunneling élastique entre des sites voisins s'équilibrent de telle manière à donner des modes d'énergie proche de zéro avec une très haute qualité de Majorana. Nous simulons le réglage de chaînes de Kitaev de deux et trois sites, où la fonction de perte est déterminée à partir du calcul du spectre de basse énergie d'un hamiltonien de modèle qui inclut des interactions coulombiennes et un fractionnement de Zeeman fini. Dans les deux cas, l'algorithme converge constamment vers des points doux de haute qualité. Étant donné que la spectroscopie de tunneling fournit une métrique globale pour régler simultanément tous les potentiels sur site, cela représente une voie prometteuse vers le réglage de chaînes de Kitaev plus longues, nécessaires pour atteindre la protection topologique des modes de Majorana.