Nyt paradigme til auto-tuning af kvantebits kunne overvinde store tekniske forhindringer

En high-end racermotor har brug for at alle dens komponenter er tunet og arbejder præcist sammen for at levere ydeevne i topkvalitet. Det samme kan siges om processoren inde i en kvantecomputer, hvis sarte bits skal justeres på den helt rigtige måde, før det kan udføre en beregning. Hvem er den rette mekaniker til dette kvantetunejob? Ifølge et team, der omfatter forskere ved National Institute of Standards and Technology (NIST), det er en kunstig intelligens, det er hvem.

Holdets papir i journalen Fysisk gennemgang anvendt skitserer en måde at lære en AI at foretage et sammenkoblet sæt justeringer til små kvantepunkter, som er blandt de mange lovende enheder til at skabe kvantebits, eller "qubits, "Det ville danne switches i en kvantecomputers processor.

Netop tilpasning af prikkerne er afgørende for at omdanne dem til velfungerende qubits, og indtil nu skulle jobbet udføres omhyggeligt af menneskelige operatører, kræver timers arbejde for selv at lave en lille håndfuld qubits til en enkelt beregning.

En praktisk kvantecomputer med mange interagerende qubits ville kræve langt flere prikker - og justeringer - end et menneske kunne klare, så teamets præstation kan bringe quantum dot-baseret behandling tættere fra teoriens område til manipuleret virkelighed.

"Kvantecomputerteoretikere forestiller sig, hvad de kunne gøre med hundreder eller tusinder af qubits, men elefanten i rummet er, at vi faktisk kun kan få en håndfuld af dem til at fungere ad gangen, "sagde Justyna Zwolak, en NIST -matematiker. "Nu har vi en vej frem til at gøre dette virkeligt."

En kvantepunkt indeholder typisk elektroner, der er begrænset til et tæt boksagtigt rum i et halvledermateriale. Kassens vægge danner flere metalliske elektroder (såkaldte porte) over halvlederoverfladen, der har elektrisk spænding på dem, påvirker kvantepunktets position og antal elektroner. Afhængig af deres position i forhold til prikken, portene styrer elektronerne på forskellige måder.

For at få prikkerne til at gøre, hvad du vil - fungere som en slags qubit -logisk switch eller en anden, for eksempel - portspændingerne skal indstilles til de helt rigtige værdier. Denne tuning udføres manuelt, ved at måle strømme, der strømmer gennem kvantepunktsystemet, derefter ændre portens spændinger lidt, derefter kontrollere strømmen igen. Og jo flere prikker (og porte) du involverer, jo sværere er det at tune dem alle samtidigt, så du får qubits, der fungerer korrekt.

Kort sagt, dette er ikke en koncert, som enhver menneskelig mekaniker ville have det dårligt med at miste til en maskine.

"Det er normalt et arbejde udført af en kandidatstuderende, "sagde kandidatstuderende Tom McJunkin fra University of Wisconsin-Madisons fysikafdeling og en medforfatter på papiret." Jeg kunne indstille en prik på få timer, og to kan tage en dag med vridningsknapper. Jeg kunne lave fire, men ikke hvis jeg skal hjem og sove. Når dette felt vokser, vi kan ikke bruge uger på at få systemet klar - vi skal tage mennesket ud af billedet. "

Billeder, selvom, er lige hvad McJunkin var vant til at se på, mens han justerede prikkerne:Dataene, han arbejdede med, kom i form af visuelle billeder, som teamet indså, at AI er god til at genkende. AI-algoritmer kaldet konvolutionelle neurale netværk er blevet go-to-teknikken til automatiseret billedklassificering, så længe de bliver udsat for masser af eksempler på, hvad de skal genkende. Så holdets Sandesh Kalantre, under opsyn af Jake Taylor ved Joint Quantum Institute, skabt en simulator, der ville generere tusindvis af billeder af quantum dot -målinger, de kunne fodre til AI som en træningsøvelse.

"Vi simulerer det qubit -setup, vi ønsker, og kører det natten over, og om morgenen har vi alle de data, vi har brug for for at træne AI til automatisk at indstille systemet, "Sagde Zwolak." Og vi designede det til at kunne bruges på ethvert kvantepunktbaseret system, ikke bare vores egen. "

Holdet startede i det små, ved hjælp af en opsætning af to kvantepunkter, og de verificerede, at inden for visse begrænsninger kunne deres uddannede AI automatisk justere systemet til den opsætning, de ønskede. Det var ikke perfekt - de identificerede flere områder, de skal arbejde med for at forbedre tilgangens pålidelighed - og de kan ikke bruge det til at stille tusindvis af sammenkoblede kvantepunkter endnu. Men selv på dette tidlige stadie er dets praktiske kraft ubestridelig, giver en dygtig forsker mulighed for at bruge værdifuld tid andre steder.

"Det er en måde at bruge maskinlæring til at spare arbejdskraft, og - til sidst - at gøre noget, som mennesker ikke er gode til at gøre, "Sagde Zwolak." Vi kan alle genkende en tredimensionel kat, og det er dybest set, hvad en enkelt prik med et par korrekt indstillede porte er. Mange prikker og porte er som en 10-dimensionel kat. Et menneske kan ikke engang se en 10D kat. Men vi kan træne en AI til at genkende en. "

Denne historie er genudgivet med tilladelse fra NIST. Læs den originale historie her.