Ny undersøgelse bruger maskinlæring til at bygge bro over realitetskløften i kvanteenheder

En undersøgelse ledet af University of Oxford har brugt kraften i maskinlæring til at overvinde en nøgleudfordring, der påvirker kvanteenheder. For første gang afslører resultaterne en måde at lukke "virkelighedskløften":forskellen mellem forudsagt og observeret adfærd fra kvanteanordninger. Resultaterne er blevet offentliggjort i Physical Review X .

Kvantecomputere kunne overlade et væld af applikationer, fra klimamodellering og økonomiske prognoser til opdagelse af lægemidler og kunstig intelligens. Men dette vil kræve effektive måder at skalere og kombinere individuelle kvanteenheder (også kaldet qubits). En væsentlig barriere mod dette er iboende variabilitet, hvor selv tilsyneladende identiske enheder udviser forskellig adfærd.

Funktionel variabilitet formodes at være forårsaget af ufuldkommenheder i nanoskala i de materialer, som kvanteanordninger er lavet af. Da der ikke er nogen måde at måle disse direkte på, kan denne interne lidelse ikke fanges i simuleringer, hvilket fører til hullet i forudsagte og observerede resultater.

For at løse dette brugte forskergruppen en "fysik-informeret" maskinlæringstilgang til indirekte at udlede disse lidelseskarakteristika. Dette var baseret på, hvordan den indre lidelse påvirkede strømmen af ​​elektroner gennem enheden.

Ledende forsker lektor Natalia Ares (Department of Engineering Science, University of Oxford) sagde:"Som en analogi, når vi spiller 'crazy golf', kan bolden komme ind i en tunnel og forlade med en hastighed eller retning, der ikke matcher vores forudsigelser Men med et par slag mere, en skør golfsimulator og noget maskinlæring bliver vi måske bedre til at forudsige boldens bevægelser og indsnævre realitetsgabet."

Forskerne målte udgangsstrømmen over en individuel kvantepunktsenhed for forskellige spændingsindstillinger. Dataene blev indlæst i en simulering, som beregnede forskellen mellem den målte strøm og den teoretiske strøm, hvis der ikke var nogen intern forstyrrelse til stede.

Ved at måle strømmen ved mange forskellige spændingsindstillinger blev simuleringen begrænset til at finde et arrangement af indre uorden, der kunne forklare målingerne ved alle spændingsindstillinger. Denne tilgang kombinerede matematiske og statistiske tilgange kombineret med dyb læring.

Lektor Ares tilføjede:"I den skøre golf-analogi ville det svare til at placere en række sensorer langs tunnelen, så vi kunne tage målinger af boldens hastighed på forskellige punkter. Selvom vi stadig ikke kan se inde i tunnelen , kan vi bruge dataene til at informere bedre forudsigelser om, hvordan bolden vil opføre sig, når vi tager skuddet."

Ikke alene fandt den nye model passende interne forstyrrelsesprofiler til at beskrive de målte strømværdier, men den kunne også nøjagtigt forudsige spændingsindstillinger, der kræves til specifikke enhedsdriftsregimer.

Modellen giver en ny metode til at kvantificere variabiliteten mellem kvanteenheder. Dette kunne muliggøre mere præcise forudsigelser af, hvordan enheder vil fungere, og hjælpe med at konstruere optimale materialer til kvanteenheder. Det kunne informere kompensationstilgange for at afbøde de uønskede virkninger af materielle ufuldkommenheder i kvanteenheder.

Medforfatter David Craig, en ph.d. studerende ved Institut for Materialer, University of Oxford, tilføjede:"I lighed med hvordan vi ikke kan observere sorte huller direkte, men vi udleder deres tilstedeværelse ud fra deres effekt på omgivende stof, har vi brugt simple målinger som en proxy for den interne variabilitet af nanoskala kvante enheder."

"Selvom den rigtige enhed stadig har større kompleksitet, end modellen kan fange, har vores undersøgelse vist nytten af ​​at bruge fysikbevidst maskinlæring til at indsnævre realitetskløften."

Flere oplysninger: D. L. Craig et al., Bridging the Reality Gap in Quantum Devices with Physics-Aware Machine Learning, Physical Review X (2024). DOI:10.1103/PhysRevX.14.011001

Journaloplysninger: Fysisk gennemgang X

Leveret af University of Oxford