От имитации к эксперименту: эталонные модели машинного обучения для признания государства Quantum-Dot

arXiv: 2511.22451v3 Annualce Type: заменить резюме: модели машинного обучения для распознавания квантового состояния обычно обучаются с использованием синтетических данных, в которых можно эффективно генерировать крупные наборы данных с маркировкой. Вместе с тем высокие показатели использования имитируемых данных не гарантируют столь же высоких показателей в ходе экспериментов. Здесь мы используем пять архитектур нейронной сети для распознавания состояния квантового пучка с использованием общего набора синтетических данных и независимых наборов синтетических и экспериментальных тестов. Мы сравниваем нервные сети, связанные друг с другом и полностью подключенные к ним, сеть плотности смеси, трансформатор зрения, а также U-Net в различных размерах и двух схемах нормализации ввода данных. Мы находим, что эффективность моделей и их рейтинги тщательно сохранены при переходе от синтетических пятен к ранее невиданным имитируемым устройствам, но существенно изменяются в том случае, когда одни и те же модели оцениваются по экспериментальным данным. В частности, архитектура достигла наивысшего уровня синтетики