Ny studie använder maskininlärning för att överbrygga verklighetsbristen i kvantkomponenter

(a) Device geometry including the gate electrodes (labeled G1–G8), donor ion plane, and an example disorder potential experienced by confined electrons. Typical flow of current from source to drain is indicated by the white arrow. (b) Schematic of the disorder inference process. Colors indicate the following: red for experimentally controllable variables, green for quantities relevant to the electrostatic model, blue for experimental device, and yellow for machine learning methods. Dashed arrows represent the process of generating training data for the deep learning approximation and are not part of the disorder inference process. Credit: Physical Review X (2024). DOI: 10.1103/PhysRevX.14.011001
(a) Device geometry including the gate electrodes (labeled G1–G8), donor ion plane, and an example disorder potential experienced by confined electrons. Typical flow of current from source to drain is indicated by the white arrow. (b) Schematic of the disorder inference process. Colors indicate the following: red for experimentally controllable variables, green for quantities relevant to the electrostatic model, blue for experimental device, and yellow for machine learning methods. Dashed arrows represent the process of generating training data for the deep learning approximation and are not part of the disorder inference process. Credit: Physical Review X (2024). DOI: 10.1103/PhysRevX.14.011001

En studie ledd av University of Oxford har använt kraften i maskininlärning för att övervinna en viktig utmaning som påverkar kvantmekanismer. För första gången avslöjar resultaten ett sätt att stänga ”verklighetsgapet”: skillnaden mellan förutsagt och observerat beteende från kvantmekanismer. Resultaten har publicerats i Physical Review X.

Kvantdatorer skulle kunna ge en mängd nya tillämpningar, från klimatmodellering och finansiella prognoser till läkemedelsupptäckt och artificiell intelligens. Men det kräver effektiva sätt att skala upp och kombinera enskilda kvantkomponenter (även kallade qubits). Ett stort hinder för detta är den inneboende variabiliteten, där även till synes identiska enheter uppvisar olika beteenden.

Funktionell variabilitet antas orsakas av brister i nanoskala i de material som kvantmekanismerna tillverkas av. Eftersom det inte finns något sätt att mäta dessa direkt kan denna interna oordning inte fångas i simuleringar, vilket leder till klyftan mellan förutsagda och observerade resultat.

För att åtgärda detta använde forskargruppen en ”fysikinformerad” maskininlärningsmetod för att indirekt härleda dessa störningsegenskaper. Detta baserades på hur den interna störningen påverkade flödet av elektroner genom enheten.

Huvudforskaren Associate Professor Natalia Ares (Department of Engineering Science, University of Oxford) säger: ”Som en analogi när vi spelar ’crazy golf’, kan bollen gå in i en tunnel och ut med en hastighet eller riktning som inte matchar våra förutsägelser. Men med några fler slag, en minigolfsimulator och lite maskininlärning kan vi bli bättre på att förutsäga bollens rörelser och minska gapet till verkligheten.”

Forskarna mätte utgångsströmmen över en enskild quantum dot-enhet för olika spänningsinställningar. Uppgifterna matades in i en simulering, som beräknade skillnaden mellan den uppmätta strömmen och den teoretiska strömmen om ingen intern oordning förekom.

Genom att mäta strömmen vid många olika spänningsinställningar begränsades simuleringen för att hitta ett arrangemang av intern oordning som kunde förklara mätningarna vid alla spänningsinställningar. Detta tillvägagångssätt kombinerade matematiska och statistiska metoder med djupinlärning.

Docent Ares tillade: ”I analogin med minigolf skulle det motsvara att placera en serie sensorer längs tunneln, så att vi kunde mäta bollens hastighet vid olika punkter. Även om vi fortfarande inte kan se in i tunneln kan vi använda data för att göra bättre förutsägelser av hur bollen kommer att bete sig när vi slår.”

Den nya modellen hittade inte bara lämpliga interna störningsprofiler för att beskriva de uppmätta strömvärdena, utan den kunde också exakt förutsäga vilka spänningsinställningar som krävs för specifika driftsregimer för enheten.

Modellen ger en ny metod för att kvantifiera variationen mellan kvantmekaniska enheter. Detta kan möjliggöra mer exakta förutsägelser av hur enheterna kommer att fungera och bidra till att utveckla optimala material för kvantmekaniska enheter. Det skulle kunna ligga till grund för kompensationsmetoder för att mildra de oönskade effekterna av materialfel i kvantmekanismer.

Medförfattaren David Craig, doktorand vid Department of Materials, University of Oxford, tillade: ”På samma sätt som vi inte kan observera svarta hål direkt, men vi kan sluta oss till deras närvaro utifrån deras effekt på omgivande materia, har vi använt enkla mätningar som en proxy för den interna variabiliteten hos kvantmekaniska enheter i nanoskala.”

”Även om den verkliga enheten fortfarande har större komplexitet än vad modellen kan fånga, har vår studie visat nyttan av att använda fysikmedveten maskininlärning för att minska verklighetsklyftan.”

Ytterligare information: 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

Bli först med att kommentera

Lämna ett svar

Din e-postadress kommer inte att publiceras.