Новое исследование использует машинное обучение, чтобы преодолеть разрыв в реальности в квантовых устройствах

Исследование, проведенное Оксфордским университетом, использовало возможности машинного обучения для решения ключевой проблемы, затрагивающей квантовые устройства. Впервые результаты открывают способ закрыть «разрыв в реальности»: разницу между предсказанным и наблюдаемым поведением квантовых устройств. Результаты опубликованы в Физический обзор X.

Квантовые вычисления могут расширить множество приложений: от моделирования климата и финансового прогнозирования до открытия лекарств и искусственного интеллекта. Но для этого потребуются эффективные способы масштабирования и объединения отдельных квантовые устройства (также называемые кубитами). Основным препятствием на пути к этому является присущая им изменчивость, когда даже внешне идентичные единицы демонстрируют разное поведение.

Предполагается, что функциональная изменчивость вызвана наноразмерными несовершенствами материалов, из которых изготовлены квантовые устройства. Поскольку нет возможности измерить их напрямую, этот внутренний беспорядок невозможно отразить в моделировании, что приводит к разрыву в прогнозируемых и наблюдаемых результатах.

Чтобы решить эту проблему, исследовательская группа использовала подход машинного обучения, основанный на физике, чтобы косвенно сделать вывод об этих характеристиках расстройства. Это было основано на том, как внутренний беспорядок повлиял на поток электронов через устройство.

Ведущий научный сотрудник, доцент Наталья Арес (факультет инженерных наук Оксфордского университета) сказала: «Если провести аналогию, когда мы играем в «сумасшедший гольф», мяч может войти в туннель и выйти из него со скоростью или направлением, которые не соответствуют нашим прогнозам. Но с помощью еще нескольких ударов, сумасшедшего симулятора гольфа и некоторого машинного обучения мы могли бы лучше предсказывать движения мяча и сократить разрыв с реальностью».

Исследователи измерили выходной ток на отдельном устройстве с квантовыми точками при различных настройках напряжения. Данные вводились в моделирование, которое рассчитывало разницу между измеренным током и теоретическим током при отсутствии внутреннего беспорядка.

Измеряя ток при множестве различных настроек напряжения, моделирование было ограничено поиском структуры внутреннего беспорядка, которая могла бы объяснить измерения при всех настройках напряжения. Этот подход сочетал математические и статистические подходы в сочетании с глубоким обучением.

Доцент Арес добавил: «В аналогии с сумасшедшим гольфом это было бы эквивалентно размещению ряда датчиков вдоль туннеля, чтобы мы могли измерять скорость мяча в разных точках. Хотя мы все еще не можем видеть внутреннюю часть туннеля. , мы можем использовать эти данные, чтобы лучше прогнозировать, как поведет себя мяч, когда мы нанесем удар».

Новая модель не только нашла подходящие профили внутреннего беспорядка для описания измеренных значений тока, но и смогла точно предсказать настройки напряжения, необходимые для конкретных режимов работы устройства.

Модель предоставляет новый метод количественной оценки различий между квантовыми устройствами. Это позволит более точно прогнозировать, как будут работать устройства, и поможет разработать оптимальные материалы для квантовых устройств. Это могло бы стать основой для компенсационных подходов для смягчения нежелательных последствий несовершенства материалов в квантовых устройствах.

Соавтор Дэвид Крейг, доктор философии. Студент факультета материалов Оксфордского университета добавил: «Подобно тому, как мы не можем наблюдать черные дыры напрямую, но мы делаем вывод об их присутствии по их влиянию на окружающую материю, мы использовали простые измерения в качестве показателя внутренней изменчивости наноразмерных квантовых устройств».

«Хотя реальное устройство все еще имеет большую сложность, чем может отразить модель, наше исследование продемонстрировало полезность использования машинного обучения с учетом физики для сокращения разрыва в реальности».