Maskinlæring for at opskalere kvantecomputeren

, ,

Kvantecomputere forventes at tilbyde en enorm beregningskraft til komplekse problemer – som i øjeblikket er vanskelige at løse selv på supercomputere – inden for lægemiddeldesign, datavidenskab, blandt andet astronomi og materialekemi.

De høje teknologiske og strategiske indsatser betyder, at store teknologivirksomheder såvel som ambitiøse start-ups og statsfinansierede forskningscentre alle er i kapløbet om at bygge verdens første universelle kvantecomputer.

At bygge en kvantecomputer

I modsætning til nutidens klassiske computere, hvor information er kodet i bits (0 eller 1), kvantecomputere behandler information lagret i kvantebits (qubits). Disse hostes af kvantemekaniske objekter som elektroner, et atoms negativt ladede partikler.

Kvantetilstande kan også være binære og kan sættes i en af ​​to muligheder, eller effektivt begge dele på samme tid - kendt som kvantesuperposition - der tilbyder et eksponentielt større beregningsrum med et stigende antal qubits.

Denne unikke dataknusningskraft forstærkes yderligere af sammenfiltring, en anden magisk egenskab ved kvantemekanikken, hvor tilstanden af ​​en qubit er i stand til at diktere tilstanden af ​​en anden qubit uden nogen fysisk forbindelse, gør dem alle 1'ere for eksempel. Einstein kaldte det en 'uhyggelig handling på afstand'.

Forskellige forskningsgrupper i verden forfølger forskellige slags qubits, hver har sine egne fordele og begrænsninger. Nogle qubits giver mulighed for skalerbarhed, mens andre kommer med meget lange sammenhængstider, det er den tid, hvor kvanteinformation kan lagres robust.

Qubits i silicium er meget lovende, da de tilbyder begge dele. Derfor, disse qubits er en af ​​de førende kandidater til design og implementering af en storstilet kvantecomputerarkitektur.

En måde at implementere storstilet kvantecomputerarkitektur i silicium er ved at placere individuelle fosforatomer på et todimensionelt gitter.

De logiske enkelt- og to-qubit-operationer styres af et gitter af nanoelektroniske ledninger, der har en vis lighed med klassiske logiske porte til konventionelle mikroelektroniske kredsløb. Imidlertid, nøglen til denne ordning er ultra-præcis placering af fosfor atomer på silicium gitteret.

Udfordringerne

Imidlertid, selv med state-of-the-art fabrikationsteknologier, at placere fosforatomer på præcise steder i siliciumgitter er en meget udfordrende opgave. Små variationer, af størrelsesordenen ét atomgittersted, i deres positioner observeres ofte og kan have en enorm indflydelse på effektiviteten af ​​to qubit-operationer.

Problemet opstår fra den ultrafølsomme afhængighed af udvekslingsinteraktionen mellem elektronqubits på fosforatomer i silicium. Udvekslingsinteraktion er en grundlæggende kvantemekanisk egenskab, hvor to subatomære partikler, såsom elektroner, kan interagere i det virkelige rum, når deres bølgefunktioner overlapper hinanden og danner interferensmønstre, meget som de to vandrende bølger, der forstyrrer vandoverfladen.

Udvekslingsinteraktion mellem elektroner på phosphoratom-qubits kan udnyttes til at implementere hurtige to-qubit-gates, men enhver ukendt variation kan være skadelig for kvanteportens nøjagtighed. Som logiske porte i en konventionel computer, kvanteportene er byggestenene i et kvantekredsløb.

For fosfor qubits i silicium, selv en usikkerhed i placeringen af ​​qubit-atomer af størrelsesordenen et atomgittersted kan ændre den tilsvarende udvekslingsinteraktion i størrelsesordener, fører til fejl i to-qubit gate-operationer.

Sådanne fejl, akkumuleret over storstilet arkitektur, kan i alvorlig grad hæmme effektiviteten af ​​kvantecomputeren, mindske enhver forventet kvantefordel på grund af de kvantemekaniske egenskaber af qubits.

Finde nøjagtige koordinater af qubit atom

Så i 2016 vi arbejdede med forskere fra Center for Quantum Computation &Communication Technology ved University of New South Wales, at udvikle en teknik, der kunne udpege nøjagtige placeringer af fosforatomer i silicium.

Teknikken, rapporteret i Natur nanoteknologi , var den første til at bruge computerscanning tunneling mikroskop (STM) billeder af fosfor atom bølge funktioner til at lokalisere deres rumlige placeringer i silicium.

Billederne blev beregnet ved hjælp af en beregningsramme, som gjorde det muligt at udføre elektroniske beregninger på millioner af atomer ved at bruge Australiens nationale supercomputerfaciliteter ved Pawsey supercomputing center.

Disse beregninger producerede kort over elektronbølgefunktionsmønstre, hvor symmetrien, lysstyrke og størrelse af funktioner var direkte relateret til positionen af ​​et fosforatom i siliciumgitter, hvorom elektronen var bundet.

Det faktum, at hver donoratomposition førte til et særskilt kort, lokalisering af qubit-atomer, kendt som rumlig metrologi, med enkelt gitterstedspræcision blev opnået.

Teknikken fungerede meget godt på det individuelle qubit-niveau. Imidlertid, den næste store udfordring var at bygge en ramme, der kunne udføre denne præcise atom-rumlige lokalisering med høj hastighed og minimal menneskelig interaktion, der kunne klare kravene til en universel fejltolerant kvantecomputer.

Maskinelæring

Machine learning er et spirende forskningsområde, som revolutionerer næsten alle forskningsområder, fra lægevidenskab til billedbehandling, robotteknologi, og materialedesign.

En omhyggeligt trænet maskinlæringsalgoritme kan behandle meget store datasæt med enorm effektivitet.

En gren af ​​maskinlæring er kendt som convolutional neural network (CNN) – et ekstremt kraftfuldt værktøj til billedgenkendelse og klassifikationsproblemer. Når en CNN trænes i tusindvis af eksempelbilleder, den kan præcist genkende ukendte billeder (inklusive støj) og udføre klassifikationer.

I erkendelse af, at princippet, der ligger til grund for den etablerede rumlige metrologi af qubit-atomer, dybest set er at genkende og klassificere feature maps af STM-billeder, vi besluttede at træne en CNN på de beregnede STM-billeder. Værket er publiceret i tidsskriftet NPJ Computational Materials.

Uddannelsen involverede 100, 000 STM-billeder og opnåede en bemærkelsesværdig læring på over 99 procent for CNN. Vi testede derefter det trænede CNN for 17600 testbilleder, inklusive sløring og asymmetristøj, der typisk er til stede i de realistiske miljøer.

CNN klassificerede testbillederne med en nøjagtighed på over 98 procent, bekræfter, at denne maskinlæringsbaserede teknik kunne behandle qubit-målingsdata med høj kapacitet, høj præcision, og minimal menneskelig interaktion.

Denne teknik har også potentialet til at opskalere for qubits bestående af mere end ét fosforatom, hvor antallet af mulige billedkonfigurationer ville stige eksponentielt. Imidlertid, maskinlæringsbaseret ramme kan nemt omfatte et hvilket som helst antal mulige konfigurationer.

I de kommende år, efterhånden som antallet af qubits stiger og størrelsen af ​​kvanteenheder vokser, qubit-karakterisering via manuelle målinger vil sandsynligvis være meget udfordrende og besværlig.

Dette arbejde viser, hvordan maskinlæringsteknikker som udviklet i dette arbejde kan spille en afgørende rolle i dette aspekt af realiseringen af ​​en fuldskala fejltolerant universel kvantecomputer - det ultimative mål for den globale forskningsindsats.