性能是软件最重要的素质之一。因此，已经提出了几种技术来改进它，例如程序转换，软件参数的优化或编译器标志。许多自动化的软件改进方法使用类似的搜索策略来探索可能改进的空间，但可用的工具一次只专注于一种方法。这使得比较和探索各种类型改进的相互作用是不切实际的。我们提出了Magpie，这是一个统一的软件改进框架。它提供了一个共同的基于编辑序列的表示，该表示将搜索过程与特定的改进技术隔离，从而实现了简化的协同工作流程。我们使用基本的本地搜索提供案例研究，以比较编译器优化，算法配置和遗传改善。我们选择运行时间作为我们的效率度量，并评估了我们在C，C ++和Java编写的四个现实世界软件上的方法。我们的结果表明，独立使用的所有技术都发现了重大的运行时间改进：编译器优化最高25％，算法配置为97％，使用遗传改进的源代码为61％。我们还表明，通过不同技术发现的变体的部分组合，可以获得多达10％的性能。此外，共同表示还可以同时探索所有技术，从而提供了分别使用每种技术的竞争替代方案。
translated by 谷歌翻译
基于栅极定义的量子点（QD）的量子计算机有望扩展。但是，随着量子位数量的增加，手动校准这些系统的负担变得不合理，必须使用自主调整。最近有一系列关于各种QD参数自动调整的演示，例如粗门范围，全局状态拓扑（例如，单QD，双QD），电荷和隧道与多种方法偶联。在这里，我们演示了一种直观，可靠和数据效率的工具集，用于自动化的全球状态和电荷调整，并在被认为是物理信息的调整（PIT）中。 PIT的第一个模块是一种基于动作的算法，该算法将机器学习（ML）分类器与物理知识相结合，以导航到目标全球状态。第二个模块使用一系列的一维测量值，首先清空电荷QD，然后校准电容式耦合，然后导航到目标电荷状态，从而调整目标电荷状态。基于动作的调整的成功率一致地超过了适合离线测试的模拟和实验数据的$ 95〜 \％$。使用模拟数据测试时，充电设置的成功率是可比性的，$ 95.5（5.4）〜\％$，对于离线实验测试的成功率略差，平均为$ 89.7（17.4）〜\％$（中位数$ 97.5） 〜\％$）。值得注意的是，高性能在学术清洁室和工业300毫米工艺线上制造的样品的数据中都得到了证明，进一步强调了坑的设备 - 不足程度。共同对一系列模拟和实验设备进行了这些测试，证明了PIT的有效性和鲁棒性。
translated by 谷歌翻译
量子点（QDS）阵列是一个有前途的候选系统，实现可扩展的耦合码头系统，并用作量子计算机的基本构建块。在这种半导体量子系统中，设备现在具有数十个，必须仔细地将系统仔细设置为单电子制度并实现良好的Qubit操作性能。必要点位置的映射和栅极电压的电荷提出了一个具有挑战性的经典控制问题。随着QD Qubits越来越多的QD Qubits，相关参数空间的增加充分以使启发式控制不可行。近年来，有一个相当大的努力自动化与机器学习（ML）技术相结合的基于脚本的算法。在这一讨论中，我们概述了QD器件控制自动化进展的全面概述，特别强调了在二维电子气体中形成的基于硅和GaAs的QD。将基于物理的型号与现代数值优化和ML相结合，证明在屈服高效，可扩展的控制方面已经证明非常有效。通过计算机科学和ML的理论，计算和实验努力的进一步整合，在推进半导体和量子计算平台方面具有巨大的潜力。
translated by 谷歌翻译
在Ultracold Atom实验中，数据通常以用于准备和测量系统的技术中固有的信息丢失的图像形式。当感兴趣的过程复杂时，这尤其成问题，例如Bose-Einstein缩合物中激发的相互作用（BECS）。在本文中，我们描述了一种与基于物理学的传统分析的机器学习（ML）模型的框架组合，以识别和跟踪BEC的图像中的多个Solitonic激发。我们使用基于ML的对象探测器来定位孤子激励并开发物理信息的分类器，将孤子激励分类为物理上积极的子类别。最后，我们介绍了一种质量指标量化特定特征是Kink Soliton的可能性。我们培训的此框架 - 焊接 - 焊接 - 被公开可作为开源Python包。焊接广泛适用于在合适的用户提供的数据集上培训时在寒冷原子图像中的特征识别。
translated by 谷歌翻译
当前的量子点（QD）设备的自动传动方法在显示出一些成功的同时，缺乏对数据可靠性的评估。当自主系统处理嘈杂或低质量数据时，这会导致意外的失败。在这项工作中，我们为QD设备的强大自动调整提供了一个框架，该QD设备将机器学习（ML）状态分类器与数据质量控制模块结合在一起。数据质量控制模块充当“守门人”系统，确保只有国家分类器处理可靠的数据。较低的数据质量会导致设备重新校准或终止。为了训练两个ML系统，我们通过结合QD实验的典型合成噪声来增强QD仿真。我们确认，在状态分类器的训练中包含合成噪声可以显着提高性能，在测试实验数据时，准确性为95.0（9）％。然后，我们通过表明状态分类器的性能随着预期的数据质量而恶化，从而验证数据质量控制模块的功能。我们的结果为嘈杂的QD设备的自动调整建立了强大而灵活的ML框架。
translated by 谷歌翻译
随着空间的尺寸增加，在真实数据中分类高维形状的问题在复杂性中增长。对于识别不同几何形状的凸形形状的情况，最近提出了一种新的分类框架，其中使用一种称为射线的一组一维表示的交叉点，其中具有形状的边界来识别特定几何形状。基于射线的分类（RBC）已经使用两维和三维形状的合成数据集进行了经验验证的（Zwolak等人。在第三讲习班关于机器学习和物理科学（Neurips 2020），温哥华，加拿大的第三次研讨会的程序中[ arxiv：2010年12月11日，2010年12月11日，最近也已经通过实验验证（Zwolak等，Prx量子2：020335,2021）。在这里，我们建立了由关键角度度量定义的形状分类所需的光线数量的绑定，用于任意凸形形状。对于两个维度，我们在形状的长度，直径和外部角度方面导出了射线数量的下限。对于$ \ mathbb {r} ^ n $的凸多台，我们将此结果概括为与二向角度的函数和多边形面的几何参数给出的类似绑定。该结果使得能够使用比体积或基于表面的方法基本更少的数据元素估计高维形状的不同方法。
translated by 谷歌翻译