Forskare från University of Oxford, i samarbete med University of Basel och Lancaster University, har utvecklat en algoritm som kan användas för att mäta kvantprickar automatiskt.

Elektronspin av individuella elektroner i kvantprickar skulle kunna fungera som den minsta informationsenheten i en kvantdator. Att skriva i npj Quantum Information, forskarna beskriver hur de kan påskynda denna oerhört tidskrävande process enormt med hjälp av maskininlärning.

Deras tillvägagångssätt för automatisk mätning och kontroll av qubits representerar ett viktigt steg mot deras storskaliga applikation.

Dr Natalia Ares från University of Oxfords Department of Materials, sa:"För första gången, vi har tillämpat maskininlärning för att utföra effektiva mätningar i galliumarsenidkvantprickar, därigenom möjliggör karakterisering av stora arrayer av kvantenheter."

Professor Dr Dominik Zumbühl från universitetet i Basel, sa:"Nästa steg i vårt laboratorium är nu att applicera programvaran på halvledarkvantprickar gjorda av andra material som är bättre lämpade för utvecklingen av en kvantdator.

"Med detta arbete, vi har gjort ett viktigt bidrag som kommer att bana väg för storskaliga qubit-arkitekturer."

För några år, elektronspinnet för enskilda elektroner i en kvantpunkt har identifierats som en idealisk kandidat för den minsta informationsenheten i en kvantdator, annars känd som en qubit.

I kvantprickar gjorda av skiktade halvledarmaterial, enskilda elektroner fångas i en fälla, så att säga. Deras snurr kan bestämmas tillförlitligt och bytas snabbt, med forskare som håller elektronerna under kontroll genom att lägga spänningar på de olika nanostrukturerna i fällan. Bland annat, detta låter dem kontrollera hur många elektroner som kommer in i kvantpunkten från en reservoar via tunnlingseffekter. Här, även små förändringar i spänningen har en betydande inverkan på elektronerna.

För varje kvantprick, de pålagda spänningarna måste justeras noggrant för att uppnå de optimala förhållandena. När flera kvantpunkter kombineras för att skala i enheten upp till ett stort antal kvantbitar, denna avstämningsprocess blir enormt tidskrävande eftersom halvledarkvantprickarna inte är helt identiska och måste karakteriseras individuellt.

Denna genombrottsalgoritm hjälper till att automatisera processen. Forskarnas maskininlärningsmetod minskar mättiden och antalet mätningar i jämförelse med konventionell datainsamling.

Forskarna har tränat maskinen med data om strömmen som flyter genom kvantpunkten vid olika spänningar. Precis som ansiktsigenkänningsteknik, programvaran lär sig gradvis var ytterligare mätningar behövs, i syfte att uppnå maximal informationsvinst. Systemet utför sedan dessa mätningar och upprepar processen tills effektiv karakterisering uppnås enligt fördefinierade kriterier och kvantpunkten kan användas som en qubit.