Analysis of the Josephson junction phase dynamics with machine learning techniques
| Thesis title in Czech: | Analýza fázovej dynamiky Josephsonových spojov metódami strojového učenia |
|---|---|
| Thesis title in English: | Analysis of the Josephson junction phase dynamics with machine learning techniques |
| Key words: | Josephsonov jav|stochastická dynamika|strojové učenie|automatická klasifikácia|predikcie stochastických radov |
| English key words: | Josephson junction|stochastic dynamics|machine learning|automatic classification|Forecasting |
| Academic year of topic announcement: | 2022/2023 |
| Thesis type: | diploma thesis |
| Thesis language: | angličtina |
| Department: | Department of Condensed Matter Physics (32-KFKL) |
| Supervisor: | RNDr. Martin Žonda, Ph.D. |
| Author: | hidden - assigned and confirmed by the Study Dept. |
| Date of registration: | 07.03.2023 |
| Date of assignment: | 07.03.2023 |
| Confirmed by Study dept. on: | 21.04.2023 |
| Date of electronic submission: | 28.04.2024 |
| Opponents: | RNDr. Petr Čermák, Ph.D. |
| Advisors: | RNDr. Pavel Baláž, Ph.D. |
| Guidelines |
| 1. Oboznámenie sa s problémom fázovej dynamiky Josephsonových spojov osadených v elektrickom obvode
2. Langevinová dynamika 3. Zvládnutie základov programovacieho jazyka Julia 4. Implementovanie kódu na simuláciu stochastickej dynamiky fázy 5. Produkcia dát 6. Analýza rôznych režimov Josephsonových spojov metódami strojového učenia s dozorom aj bez dozoru (PCA, RandomForest, Neurónové siete) 7. Analýza a predikcia stochastických časových radov rekurentnými neurónovými sieťami |
| References |
| [1] The Langevin Equation; W.T. Coffey, Yu. P. Kalmykov, J.T. Waldron (2005)
[2] The Fokker-Plank Equation; H. Risken (1989) [3] Machine learning and the physical sciences; G. Carleo, et al., Rev. Mod. Phys. 91, 045002 (2019). [4] Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, A. Geron (2022) [5] Voltage noise, multiple phase-slips, and switching rates in moderately damped Josephson junctions; M. Žonda, W. Belzig, T. Novotný; Physical Review B 91, 134305 (2015) [6] A Stochastic-Computing based Deep Learning Framework using Adiabatic Quantum-Flux-Parametron Superconducting Technology, R. C. Ao Ren et al., arXiv:1907.09077v1 (2019) [7] A high-bias, low-variance introduction to Machine Learning for physicists, P. Mehta et al., Physics Reports 810, 1 (2019) |
| Preliminary scope of work |
| Josephsonové spoje sú supravodivé nanoskopické súčiastky, ktoré sa dnes už štandardne využívajú v extrémne citlivých zariadeniach na meranie veľmi malých magnetických polí. Prudký vývoj nanotechnológii, ktorého sme svedkom v posledných rokoch, priniesol ich ďalšie dôležité využitie a to v kvantovom počítaní. Našli uplatnenie v kvantových simulátoroch (napríklad D-Wave), ale aj v nových návrhoch kvantových bitov a logických hradiel pre kvantové počítače. Zároveň sa rozšírila trieda týchto zariadení o nové varianty Josephsonových kontaktov so zaujímavými fyzikálnymi vlastnosťami, akými sú napríklad phi-spoje, ktorých fázovú dynamiku nie je možné popísať jednoduchou sinusovou funkciu, alebo spoje u ktorých sa pozoruje takzvaný 0-pi prechod. Takéto spoje vykazujú množstvo režimov, vrátane bistability, ktorých správne určenie a manipulácia je kritickým predpokladom k ich praktickému využitiu. V teoretickom, ale aj experimentálnom výskume to často znamená analyzovať veľké množstvo simulovaných alebo meraných dát. Hlavným cieľom práce je tento proces automatizovať pomocou metód strojového učenie. Zameriame sa na analýzu dynamických dát, predovšetkým na odozvu fázy na náhlu zmenu parametrov systému, napríklad vypnutie prúdu. Študent bude metódami strojového učenia klasifikovať režimy (napríklad režim bežiacej fázy, bistabilný režim, režim zachytenej fázy) ale aj analyzovať časové závislosti napätia. Okrem strojového učenie, si študent osvojí aj numerické techniky nutné pre simuláciu časového vývoja fázy v Josephsonových kontaktoch a teda produkciu dát. |