Een high-end raceautomotor heeft alle componenten nodig die zijn afgesteld en nauwkeurig samenwerken om topprestaties te leveren. Hetzelfde kan gezegd worden over de processor in een kwantumcomputer, waarvan de delicate bits precies op de juiste manier moeten worden afgesteld voordat het een berekening kan uitvoeren. Wie is de juiste monteur voor deze kwantum-tuning-klus? Volgens een team dat bestaat uit wetenschappers van het National Institute of Standards and Technology (NIST), het is een kunstmatige intelligentie, dat is wie.

De teampaper in het journaal Fysieke beoordeling toegepast schetst een manier om een ​​AI te leren een onderling verbonden reeks aanpassingen te maken aan kleine kwantumstippen, die behoren tot de vele veelbelovende apparaten voor het maken van de kwantumbits, of "qubits, " die de schakelaars in de processor van een kwantumcomputer zouden vormen.

Het precies tweaken van de dots is cruciaal om ze om te zetten in goed functionerende qubits, en tot nu toe moest het werk nauwgezet worden uitgevoerd door menselijke operators, uren werk vergen om zelfs maar een klein handjevol qubits te maken voor een enkele berekening.

Een praktische kwantumcomputer met veel op elkaar inwerkende qubits zou veel meer punten - en aanpassingen - vereisen dan een mens zou kunnen beheren, dus de prestatie van het team kan op kwantumpunt gebaseerde verwerking dichter bij het rijk van de theorie brengen bij de technische realiteit.

"Kwantumcomputertheoretici stellen zich voor wat ze zouden kunnen doen met honderden of duizenden qubits, maar de olifant in de kamer is dat we er maar een handvol tegelijk kunnen laten werken, " zei Justyna Zwolak, een NIST-wiskundige. "Nu hebben we een weg voorwaarts om dit waar te maken."

Een kwantumpunt bevat meestal elektronen die zijn opgesloten in een strakke doosachtige ruimte in een halfgeleidermateriaal. De wanden van de doos vormen verschillende metalen elektroden (zogenaamde poorten) boven het halfgeleideroppervlak waarop elektrische spanning wordt toegepast, de positie en het aantal elektronen van de kwantumstip beïnvloeden. Afhankelijk van hun positie ten opzichte van de stip, de poorten sturen de elektronen op verschillende manieren aan.

Om de stippen te laten doen wat je wilt - fungeren als een soort qubit-logica-schakelaar of een andere, bijvoorbeeld - de poortspanningen moeten op precies de juiste waarden worden afgestemd. Deze afstemming gebeurt handmatig, door stromen te meten die door het kwantumpuntsysteem stromen, verander dan de poortspanningen een beetje, controleer dan de stroom opnieuw. En hoe meer stippen (en poorten) je erbij betrekt, hoe moeilijker het is om ze allemaal tegelijk af te stemmen, zodat je qubits krijgt die goed samenwerken.

Kortom, dit is geen optreden dat een menselijke monteur slecht zou voelen als hij zou verliezen aan een machine.

"Het is meestal een klusje van een afgestudeerde student, " zei afgestudeerde student Tom McJunkin van de natuurkunde-afdeling van de Universiteit van Wisconsin-Madison en een co-auteur van het papier. "Ik zou binnen een paar uur één punt kunnen afstemmen, en twee zou een dag van knopen kunnen vergen. Ik zou er vier kunnen doen, maar niet als ik naar huis moet om te slapen. Naarmate dit veld groeit, we kunnen geen weken besteden aan het gereedmaken van het systeem - we moeten de mens uit beeld halen."

Afbeeldingen, Hoewel, zijn precies waar McJunkin naar keek tijdens het afstemmen van de punten:de gegevens waarmee hij werkte, kwamen in de vorm van visuele beelden, waarvan het team zich realiseerde dat AI goed is in het herkennen. AI-algoritmen die convolutionele neurale netwerken worden genoemd, zijn de go-to-techniek geworden voor geautomatiseerde beeldclassificatie, zolang ze worden blootgesteld aan veel voorbeelden van wat ze moeten herkennen. Dus Sandesh Kalantre van het team, onder supervisie van Jake Taylor van het Joint Quantum Institute, creëerde een simulator die duizenden afbeeldingen van kwantumpuntmetingen zou genereren die ze als trainingsoefening aan de AI konden geven.

"We simuleren de qubit-setup die we willen en draaien het 's nachts, en 's morgens hebben we alle gegevens die we nodig hebben om de AI te trainen om het systeem automatisch af te stemmen, "Zei Zwolak. "En we hebben het ontworpen om bruikbaar te zijn op elk op kwantumdots gebaseerd systeem, niet alleen die van ons."

Het team begon klein, met behulp van een opstelling van twee kwantumdots, en ze verifieerden dat binnen bepaalde beperkingen hun getrainde AI het systeem automatisch kon afstemmen op de gewenste setup. Het was niet perfect - ze hebben verschillende gebieden geïdentificeerd waaraan ze moeten werken om de betrouwbaarheid van de aanpak te verbeteren - en ze kunnen het nog niet gebruiken om duizenden onderling verbonden kwantumdots af te stemmen. Maar zelfs in dit vroege stadium is de praktische kracht ervan onmiskenbaar, waardoor een ervaren onderzoeker waardevolle tijd elders kan doorbrengen.

"Het is een manier om machine learning te gebruiken om arbeid te besparen, en - uiteindelijk - om iets te doen waar mensen niet goed in zijn, "Zei Zwolak. "We kunnen allemaal een driedimensionale kat herkennen, en dat is eigenlijk wat een enkele stip met een paar goed afgestelde poorten is. Veel stippen en poorten zijn als een 10-dimensionale kat. Een mens kan niet eens een 10D kat zien. Maar we kunnen een AI trainen om er een te herkennen."

Dit verhaal is opnieuw gepubliceerd met dank aan NIST. Lees hier het originele verhaal.