Science >> Wetenschap >  >> Fysica

Nieuw onderzoek maakt gebruik van machinaal leren om de realiteitskloof in kwantumapparaten te overbruggen

(a) Apparaatgeometrie inclusief de poortelektroden (aangeduid met G1 – G8), donorionenvlak en een voorbeeld van een stoornispotentieel dat wordt ervaren door opgesloten elektronen. Een typische stroomstroom van bron naar afvoer wordt aangegeven door de witte pijl. (b) Schematische voorstelling van het stoornis-inferentieproces. Kleuren geven het volgende aan:rood voor experimenteel regelbare variabelen, groen voor hoeveelheden die relevant zijn voor het elektrostatische model, blauw voor experimenteel apparaat en geel voor machinale leermethoden. Gestippelde pijlen vertegenwoordigen het proces van het genereren van trainingsgegevens voor de deep learning-benadering en maken geen deel uit van het stoornis-inferentieproces. Credit:Fysieke beoordeling X (2024). DOI:10.1103/PhysRevX.14.011001

Een onderzoek onder leiding van de Universiteit van Oxford heeft de kracht van machinaal leren gebruikt om een ​​belangrijke uitdaging op het gebied van kwantumapparaten te overwinnen. Voor het eerst onthullen de bevindingen een manier om de ‘realiteitskloof’ te dichten:het verschil tussen voorspeld en waargenomen gedrag van kwantumapparaten. De resultaten zijn gepubliceerd in Physical Review X .



Kwantumcomputers kunnen een schat aan toepassingen een impuls geven, van klimaatmodellering en financiële prognoses tot de ontdekking van geneesmiddelen en kunstmatige intelligentie. Maar dit vereist effectieve manieren om individuele kwantumapparaten (ook wel qubits genoemd) te schalen en te combineren. Een belangrijke barrière hiertegen is de inherente variabiliteit, waarbij zelfs ogenschijnlijk identieke eenheden verschillend gedrag vertonen.

Aangenomen wordt dat functionele variabiliteit wordt veroorzaakt door onvolkomenheden op nanoschaal in de materialen waaruit kwantumapparaten zijn gemaakt. Omdat er geen manier is om deze rechtstreeks te meten, kan deze interne wanorde niet in simulaties worden vastgelegd, wat leidt tot een kloof in de voorspelde en waargenomen uitkomsten.

Om dit aan te pakken, gebruikte de onderzoeksgroep een ‘natuurkundige’ machine learning-benadering om deze stoorniskenmerken indirect af te leiden. Dit was gebaseerd op de manier waarop de interne stoornis de elektronenstroom door het apparaat beïnvloedde.

Hoofdonderzoeker Natalia Ares (Departement Ingenieurswetenschappen, Universiteit van Oxford) zei:"Als we analogie spelen met 'crazy golf', kan de bal een tunnel binnengaan en eruit gaan met een snelheid of richting die niet overeenkomt met onze voorspellingen. Maar met nog een paar schoten, een midgetgolfsimulator en wat machine learning kunnen we de bewegingen van de bal misschien beter voorspellen en de realiteitskloof verkleinen."

De onderzoekers maten de uitgangsstroom over een individueel quantum dot-apparaat voor verschillende spanningsinstellingen. De gegevens werden ingevoerd in een simulatie, die het verschil berekende tussen de gemeten stroom en de theoretische stroom als er geen interne storing aanwezig was.

Door de stroom bij veel verschillende spanningsinstellingen te meten, werd de simulatie beperkt tot het vinden van een interne wanorde die de metingen bij alle spanningsinstellingen kon verklaren. Deze aanpak combineerde wiskundige en statistische benaderingen in combinatie met diepgaand leren.

Universitair hoofddocent Ares voegde hieraan toe:"In de midgetgolf-analogie zou dit gelijk staan ​​aan het plaatsen van een reeks sensoren langs de tunnel, zodat we op verschillende punten de snelheid van de bal kunnen meten. Hoewel we nog steeds niet in de tunnel kunnen kijken kunnen we de gegevens gebruiken om betere voorspellingen te doen over hoe de bal zich zal gedragen als we schieten."

Het nieuwe model vond niet alleen geschikte interne wanordeprofielen om de gemeten stroomwaarden te beschrijven, maar het kon ook nauwkeurig de spanningsinstellingen voorspellen die nodig zijn voor specifieke werkingsregimes van apparaten.

Het model biedt een nieuwe methode om de variabiliteit tussen kwantumapparaten te kwantificeren. Dit zou nauwkeurigere voorspellingen mogelijk kunnen maken van hoe apparaten zullen presteren en kunnen helpen bij het ontwikkelen van optimale materialen voor kwantumapparaten. Het zou compensatiebenaderingen kunnen inspireren om de ongewenste effecten van materiële onvolkomenheden in kwantumapparaten te verzachten.

Co-auteur David Craig, een Ph.D. student aan de afdeling Materialen van de Universiteit van Oxford, voegde hieraan toe:"Net zoals we zwarte gaten niet rechtstreeks kunnen waarnemen, maar we hun aanwezigheid afleiden uit hun effect op de omringende materie, hebben we eenvoudige metingen gebruikt als proxy voor de interne variabiliteit van kwantumatomen op nanoschaal. apparaten."

"Hoewel het echte apparaat nog steeds een grotere complexiteit heeft dan het model kan weergeven, heeft ons onderzoek het nut aangetoond van het gebruik van natuurkundig bewust machine learning om de realiteitskloof te verkleinen."

Meer informatie: D. L. Craig et al., De realiteitskloof in kwantumapparaten overbruggen met natuurkundig bewust machinaal leren, Physical Review X (2024). DOI:10.1103/PhysRevX.14.011001

Journaalinformatie: Fysieke beoordeling X

Aangeboden door Universiteit van Oxford