, ,

Van kwantumcomputers wordt verwacht dat ze enorme rekenkracht bieden voor complexe problemen - die momenteel zelfs op supercomputers hardnekkig zijn - op het gebied van medicijnontwerp, gegevenswetenschap, astronomie en materiaalchemie onder anderen.

De hoge technologische en strategische inzet betekent dat zowel grote technologiebedrijven als ambitieuze start-ups en door de overheid gefinancierde onderzoekscentra allemaal in de race zijn om 's werelds eerste universele kwantumcomputer te bouwen.

Een kwantumcomputer bouwen

In tegenstelling tot de klassieke computers van vandaag, waar informatie is gecodeerd in bits (0 of 1), kwantumcomputers verwerken informatie die is opgeslagen in kwantumbits (qubits). Deze worden gehost door kwantummechanische objecten zoals elektronen, de negatief geladen deeltjes van een atoom.

Kwantumtoestanden kunnen ook binair zijn en kunnen in een van de twee mogelijkheden worden geplaatst, of effectief beide tegelijkertijd - bekend als kwantumsuperpositie - waardoor een exponentieel grotere rekenruimte wordt geboden met een toenemend aantal qubits.

Deze unieke dataverwerkingskracht wordt nog versterkt door verstrengeling, een andere magische eigenschap van de kwantummechanica waarbij de toestand van een qubit de toestand van een andere qubit kan dicteren zonder enige fysieke verbinding, ze bijvoorbeeld allemaal 1's maken. Einstein noemde het een 'spookachtige actie op afstand'.

Verschillende onderzoeksgroepen in de wereld streven naar verschillende soorten qubits, elk met zijn eigen voordelen en beperkingen. Sommige qubits bieden potentieel voor schaalbaarheid, terwijl andere komen met zeer lange coherentietijden, dat is de tijd waarvoor kwantuminformatie robuust kan worden opgeslagen.

Qubits in silicium zijn veelbelovend omdat ze beide bieden. Daarom, deze qubits zijn een van de koplopers voor het ontwerp en de implementatie van een grootschalige kwantumcomputerarchitectuur.

Een manier om grootschalige kwantumcomputerarchitectuur in silicium te implementeren, is door individuele fosforatomen op een tweedimensionaal raster te plaatsen.

De enkele en twee qubit logische bewerkingen worden bestuurd door een raster van nano-elektronische draden, enige gelijkenis vertonen met klassieke logische poorten voor conventionele micro-elektronische circuits. Echter, de sleutel tot dit schema is de ultraprecieze plaatsing van fosforatomen op het siliciumraster.

De uitdagingen

Echter, zelfs met de modernste fabricagetechnologieën, het plaatsen van fosforatomen op precieze locaties in het siliciumrooster is een zeer uitdagende taak. kleine variaties, van de orde van één atomaire roosterplaats, in hun posities worden vaak waargenomen en kunnen een enorme impact hebben op de efficiëntie van twee qubit-operaties.

Het probleem komt voort uit de ultragevoelige afhankelijkheid van de uitwisselingsinteractie tussen de elektronenqubits op fosforatomen in silicium. Uitwisselingsinteractie is een fundamentele kwantummechanische eigenschap waarbij twee subatomaire deeltjes zoals elektronen in de echte ruimte kunnen interageren wanneer hun golffuncties elkaar overlappen en interferentiepatronen maken, net zoals de twee lopende golven die het wateroppervlak verstoren.

Uitwisselingsinteractie tussen elektronen op qubits van fosforatomen kan worden benut om snelle poorten van twee qubits te implementeren, maar elke onbekende variatie kan schadelijk zijn voor de nauwkeurigheid van de kwantumpoort. Zoals logische poorten in een conventionele computer, de kwantumpoorten zijn de bouwstenen van een kwantumcircuit.

Voor fosforqubits in silicium geldt zelfs een onzekerheid in de locatie van het qubit-atoom in de orde van één atomaire roosterplaats kan de corresponderende uitwisselingsinteractie met orden van grootte veranderen, wat leidt tot fouten in gate-operaties met twee qubits.

dergelijke fouten, verzameld over de grootschalige architectuur, kan de efficiëntie van de kwantumcomputer ernstig belemmeren, het verminderen van elk verwacht kwantumvoordeel vanwege de kwantummechanische eigenschappen van qubits.

Exacte coördinaten van qubit-atoom vinden

Dus anno 2016 we werkten samen met de onderzoekers van het Centre for Quantum Computation &Communication Technology aan de University of New South Wales, om een ​​techniek te ontwikkelen die de exacte locaties van fosforatomen in silicium kan lokaliseren.

De techniek, gerapporteerd in Natuur Nanotechnologie , was de eerste die computergestuurde scanning tunneling microscope (STM) afbeeldingen van fosforatoomgolffuncties gebruikte om hun ruimtelijke locaties in silicium te lokaliseren.

De afbeeldingen werden berekend met behulp van een computationeel raamwerk waarmee elektronische berekeningen konden worden uitgevoerd op miljoenen atomen met behulp van de nationale supercomputerfaciliteiten van Australië in het Pawsey-supercomputercentrum.

Deze berekeningen produceerden kaarten van elektronengolffunctiepatronen, waar de symmetrie, helderheid en grootte van functies was direct gerelateerd aan de positie van een fosforatoom in siliciumrooster, waaromheen het elektron was gebonden.

Het feit dat elke donoratoompositie leidde tot een aparte kaart, lokaliseren van qubit-atoomlocaties, ook wel ruimtelijke metrologie genoemd, met een enkel rooster werd precisie bereikt.

De techniek werkte heel goed op het individuele qubit-niveau. Echter, de volgende grote uitdaging was om een ​​raamwerk te bouwen dat deze exacte ruimtelijke lokalisatie van atomen met hoge snelheid en minimale menselijke interactie zou kunnen uitvoeren, om te voldoen aan de vereisten van een universele fouttolerante kwantumcomputer.

Machinaal leren

Machine learning is een opkomend onderzoeksgebied dat een revolutie teweegbrengt in bijna elk onderzoeksgebied, van medische wetenschap tot beeldverwerking, robotica, en materiaalontwerp.

Een zorgvuldig getraind machine learning-algoritme kan zeer grote datasets met enorme efficiëntie verwerken.

Een tak van machine learning staat bekend als convolutioneel neuraal netwerk (CNN) - een extreem krachtig hulpmiddel voor problemen met beeldherkenning en classificatie. Wanneer een CNN wordt getraind op duizenden voorbeeldafbeeldingen, het kan onbekende beelden (inclusief ruis) nauwkeurig herkennen en classificaties uitvoeren.

Erkennend dat het principe dat ten grondslag ligt aan de gevestigde ruimtelijke metrologie van qubit-atomen in wezen het herkennen en classificeren van kenmerkkaarten van STM-afbeeldingen is, we besloten een CNN te trainen op de berekende STM-afbeeldingen. Het werk is gepubliceerd in het tijdschrift NPJ Computational Materials.

De opleiding omvatte 100, 000 STM-afbeeldingen en behaalde een opmerkelijke leerervaring van meer dan 99 procent voor de CNN. Vervolgens hebben we de getrainde CNN getest op 17600 testbeelden, inclusief vervaging en asymmetrie-ruis die typisch aanwezig is in de realistische omgevingen.

De CNN classificeerde de testbeelden met een nauwkeurigheid van meer dan 98 procent, bevestigen dat deze op machine learning gebaseerde techniek qubit-meetgegevens met hoge doorvoer kan verwerken, hoge precisie, en minimale menselijke interactie.

Deze techniek heeft ook het potentieel om op te schalen voor qubits die uit meer dan één fosforatoom bestaan, waar het aantal mogelijke beeldconfiguraties exponentieel zou toenemen. Echter, op machine learning gebaseerd raamwerk kan gemakkelijk een willekeurig aantal mogelijke configuraties bevatten.

In de komende jaren, naarmate het aantal qubits toeneemt en de grootte van kwantumapparaten groeit, qubit-karakterisering via handmatige metingen is waarschijnlijk zeer uitdagend en belastend.

Dit werk laat zien hoe technieken voor machinaal leren, zoals ontwikkeld in dit werk, een cruciale rol kunnen spelen in dit aspect van de realisatie van een volledige fouttolerante universele kwantumcomputer - het uiteindelijke doel van de wereldwijde onderzoeksinspanning.