science >> Wetenschap >  >> Fysica

Machine learning opent nieuwe mogelijkheden voor kwantumapparaten

Artistieke illustratie van het potentiële landschap gedefinieerd door spanningen die op nanostructuren worden toegepast om afzonderlijke elektronen in een kwantumdot te vangen. Krediet:Afdeling Natuurkunde, Universiteit van Bazel

Wetenschappers van de Universiteit van Oxford, in samenwerking met Universiteit van Basel en Lancaster University, hebben een algoritme ontwikkeld waarmee quantum dots automatisch kunnen worden gemeten.

De elektronenspin van individuele elektronen in kwantumstippen zou kunnen dienen als de kleinste informatie-eenheid van een kwantumcomputer. Schrijven in npj Quantum Information, beschrijven de wetenschappers hoe ze dit enorm tijdrovende proces enorm kunnen versnellen met behulp van machine learning.

Hun benadering van het automatisch meten en regelen van qubits vormt een belangrijke stap in de richting van hun grootschalige toepassing.

Dr. Natalia Ares van de afdeling Materialen van de Universiteit van Oxford, zei:"Voor de eerste keer, we hebben machine learning toegepast om efficiënte metingen uit te voeren in kwantumstippen van galliumarsenide, waardoor de karakterisering van grote reeksen kwantumapparaten mogelijk is."

Professor Dr. Dominik Zumbühl van de Universiteit van Basel, zei:"De volgende stap in ons laboratorium is nu om de software toe te passen op halfgeleiderkwantumdots gemaakt van andere materialen die beter geschikt zijn voor de ontwikkeling van een kwantumcomputer.

"Met dit werk we hebben een belangrijke bijdrage geleverd die de weg vrijmaakt voor grootschalige qubit-architecturen."

Voor meerdere jaren, de elektronenspin van individuele elektronen in een kwantumstip is geïdentificeerd als een ideale kandidaat voor de kleinste informatie-eenheid in een kwantumcomputer, ook wel bekend als een qubit.

In kwantumdots gemaakt van gelaagde halfgeleidermaterialen, individuele elektronen worden gevangen in een val, bij wijze van spreken. Hun spins kunnen betrouwbaar worden bepaald en snel worden gewisseld, met onderzoekers die de elektronen onder controle houden door spanningen toe te passen op de verschillende nanostructuren in de val. Onder andere, hierdoor kunnen ze bepalen hoeveel elektronen de kwantumdot binnenkomen vanuit een reservoir via tunneleffecten. Hier, zelfs kleine spanningsveranderingen hebben een aanzienlijke invloed op de elektronen.

Voor elk kwantumpunt, de aangelegde spanningen moeten zorgvuldig worden afgesteld om de optimale omstandigheden te bereiken. Wanneer verschillende kwantumdots worden gecombineerd om in het apparaat te schalen tot een groot aantal qubits, dit afstemmingsproces wordt enorm tijdrovend omdat de halfgeleider-quantumdots niet helemaal identiek zijn en elk afzonderlijk moeten worden gekarakteriseerd.

Dit baanbrekende algoritme helpt het proces te automatiseren. De machinale leerbenadering van de wetenschappers reduceert de meettijd en het aantal metingen in vergelijking met conventionele data-acquisitie.

De wetenschappers hebben de machine getraind met gegevens over de stroom die bij verschillende spanningen door de kwantumstip vloeit. Zoals gezichtsherkenningstechnologie, de software leert gaandeweg waar verdere metingen nodig zijn, met het oog op een maximale informatiewinst. Het systeem voert vervolgens deze metingen uit en herhaalt het proces totdat effectieve karakterisering is bereikt volgens vooraf gedefinieerde criteria en de kwantumdot kan worden gebruikt als een qubit.