Maskinlæring åbner nye muligheder for kvanteenheder

Forskere fra University of Oxford, i samarbejde med University of Basel og Lancaster University, har udviklet en algoritme, der kan bruges til automatisk at måle kvantepunkter.

Elektronespin af individuelle elektroner i kvantepunkter kunne tjene som den mindste informationsenhed i en kvantecomputer. Skrivning i npj Quantum Information, forskerne beskriver, hvordan de massivt kan fremskynde denne enormt tidskrævende proces ved hjælp af maskinlæring.

Deres tilgang til automatisk måling og kontrol af qubits repræsenterer et vigtigt skridt i retning af deres store applikation.

Dr. Natalia Ares fra University of Oxfords Department of Materials, sagde:"For første gang, vi har anvendt maskinlæring til at udføre effektive målinger i galliumarsenid -kvantepunkter, og derved muliggøre karakterisering af store arrays af kvanteenheder. "

Professor Dr. Dominik Zumbühl fra University of Basel, sagde:"Det næste trin på vores laboratorium er nu at anvende softwaren på halvlederkvantumpunkter lavet af andre materialer, der er bedre egnet til udviklingen af ​​en kvantecomputer.

"Med dette arbejde, Vi har ydet et vigtigt bidrag, der vil bane vejen for qubit-arkitekturer i stor skala. "

For flere år, elektronspin af individuelle elektroner i en kvantepunkt er blevet identificeret som en ideel kandidat til den mindste informationsenhed i en kvantecomputer, ellers kendt som en qubit.

I kvanteprikker lavet af lagdelte halvledermaterialer, individuelle elektroner fanges i en fælde, så at sige. Deres spins kan bestemmes pålideligt og skiftes hurtigt, med forskere, der holder elektronerne under kontrol ved at anvende spændinger til de forskellige nanostrukturer i fælden. Blandt andet, dette giver dem mulighed for at kontrollere, hvor mange elektroner der kommer ind i kvantepunktet fra et reservoir via tunneleffekter. Her, selv små ændringer i spænding har en betydelig indflydelse på elektronerne.

For hver kvantepunkt, de påførte spændinger skal indstilles omhyggeligt for at opnå de optimale forhold. Når flere kvantepunkter kombineres for at skalere i enheden op til et stort antal qubits, denne indstillingsproces bliver enormt tidskrævende, fordi halvlederens kvantepunkter ikke er helt identiske og hver især skal karakteriseres individuelt.

Denne gennembrudsalgoritme hjælper med at automatisere processen. Forskernes maskinlæringsmetode reducerer målingstiden og antallet af målinger i sammenligning med konventionel dataindsamling.

Forskerne har trænet maskinen med data om strømmen, der strømmer gennem kvantepunktet ved forskellige spændinger. Ligesom ansigtsgenkendelse teknologi, softwaren lærer gradvist, hvor der er behov for yderligere målinger, med henblik på at opnå den maksimale informationsgevinst. Systemet udfører derefter disse målinger og gentager processen, indtil effektiv karakterisering er opnået i henhold til foruddefinerede kriterier, og kvantepunktet kan bruges som en qubit.