, ,

Kvantdatorer förväntas erbjuda en enorm beräkningskraft för komplexa problem – för närvarande svårlösta även på superdatorer – inom områdena läkemedelsdesign, datavetenskap, bland annat astronomi och materialkemi.

De höga tekniska och strategiska insatserna innebär att stora teknikföretag såväl som ambitiösa nystartade företag och statligt finansierade forskningscentra är alla i kapplöpningen om att bygga världens första universella kvantdator.

Att bygga en kvantdator

I motsats till dagens klassiska datorer, där information är kodad i bitar (0 eller 1), kvantdatorer bearbetar information lagrad i kvantbitar (qubits). Dessa är värd för kvantmekaniska objekt som elektroner, negativt laddade partiklar i en atom.

Kvanttillstånd kan också vara binära och kan sättas i en av två möjligheter, eller i praktiken båda samtidigt – känd som kvantsuperposition – som erbjuder ett exponentiellt större beräkningsutrymme med ett ökande antal kvantbitar.

Denna unika dataknäppningskraft förstärks ytterligare av intrassling, en annan magisk egenskap hos kvantmekaniken där tillståndet för en qubit kan diktera tillståndet för en annan qubit utan någon fysisk koppling, gör dem alla 1:or till exempel. Einstein kallade det en "läskig handling på distans".

Olika forskargrupper i världen eftersträvar olika typer av qubits, var och en har sina egna fördelar och begränsningar. Vissa qubits erbjuder potential för skalbarhet, medan andra kommer med mycket långa koherenstider, det är den tid under vilken kvantinformation kan lagras robust.

Qubits i kisel är mycket lovande eftersom de erbjuder båda. Därför, dessa qubits är en av de främsta kandidaterna för design och implementering av en storskalig kvantdatorarkitektur.

Ett sätt att implementera storskalig kvantdatorarkitektur i kisel är att placera enskilda fosforatomer på ett tvådimensionellt rutnät.

De logiska enkla och två qubit-operationerna styrs av ett rutnät av nanoelektroniska ledningar, som har viss likhet med klassiska logiska grindar för konventionella mikroelektroniska kretsar. Dock, nyckeln till detta schema är ultraprecis placering av fosforatomer på kiselnätet.

Utmaningarna

Dock, även med toppmodern tillverkningsteknik, att placera fosforatomer på exakta platser i kiselgittret är en mycket utmanande uppgift. Små variationer, i storleksordningen ett atomnätverk, i deras positioner observeras ofta och kan ha en enorm inverkan på effektiviteten av två qubit-operationer.

Problemet uppstår från det ultrakänsliga beroendet av utbytesinteraktionen mellan elektronkvittarna på fosforatomer i kisel. Utbytesinteraktion är en grundläggande kvantmekanisk egenskap där två subatomära partiklar som elektroner kan interagera i det verkliga rummet när deras vågfunktioner överlappar varandra och skapar interferensmönster, ungefär som de två resande vågorna som stör vattenytan.

Utbytesinteraktion mellan elektroner på fosforatom-qubits kan utnyttjas för att implementera snabba två-qubit-grindar, men varje okänd variation kan vara skadlig för kvantportens noggrannhet. Som logiska grindar i en konventionell dator, kvantgrindarna är byggstenarna i en kvantkrets.

För fosfor qubits i kisel, till och med en osäkerhet i platsen för en qubit-atom i storleksordningen ett atomgitterställe kan ändra motsvarande utbytesinteraktion i storleksordningar, leder till fel i två-qubit-grindoperationer.

Sådana fel, ackumulerat över den storskaliga arkitekturen, kan allvarligt hindra kvantdatorns effektivitet, minskar eventuella förväntade kvantfördelar på grund av de kvantmekaniska egenskaperna hos qubits.

Hitta exakta koordinater för qubit-atomen

Så 2016, vi arbetade med forskare från Center for Quantum Computation &Communication Technology vid University of New South Wales, att utveckla en teknik som kunde fastställa exakta placeringar av fosforatomer i kisel.

Tekniken, redovisas i Naturens nanoteknik , var den första att använda datoriserade scanning tunneling microscope (STM) bilder av fosfor atom vågfunktioner för att lokalisera deras rumsliga platser i kisel.

Bilderna beräknades med hjälp av ett beräkningsramverk som gjorde det möjligt att utföra elektroniska beräkningar på miljontals atomer med hjälp av Australiens nationella superdatoranläggningar vid Pawseys superdatorcenter.

Dessa beräkningar producerade kartor över elektronvågfunktionsmönster, där symmetri, ljusstyrka och storlek på funktioner var direkt relaterad till positionen av en fosforatom i kiselgitter, kring vilken elektronen var bunden.

Det faktum att varje donatoratoms positioner ledde till en distinkt karta, lokalisering av qubit-atomer, känd som rumslig metrologi, med enkelgitterplatsprecision uppnåddes.

Tekniken fungerade mycket bra på individuell qubit-nivå. Dock, nästa stora utmaning var att bygga ett ramverk som kunde utföra denna exakta rumsliga lokalisering av atomer med hög hastighet och minimal mänsklig interaktion för att klara av kraven på en universell feltolerant kvantdator.

Maskininlärning

Maskininlärning är ett framväxande forskningsområde som revolutionerar nästan alla forskningsområden, från medicinsk vetenskap till bildbehandling, robotik, och materialdesign.

En noggrant utbildad maskininlärningsalgoritm kan bearbeta mycket stora datamängder med enorm effektivitet.

En gren av maskininlärning är känd som Convolutional Neural Network (CNN) – ett extremt kraftfullt verktyg för bildigenkänning och klassificeringsproblem. När en CNN tränas på tusentals exempelbilder, den kan exakt känna igen okända bilder (inklusive brus) och utföra klassificeringar.

Genom att inse att principen som ligger till grund för den etablerade rumsliga metrologin för qubit-atomer i grunden är att känna igen och klassificera funktionskartor av STM-bilder, vi bestämde oss för att träna en CNN på de beräknade STM-bilderna. Verket publiceras i tidskriften NPJ Computational Materials.

Utbildningen omfattade 100, 000 STM-bilder och uppnådde en anmärkningsvärd inlärning på över 99 procent för CNN. Vi testade sedan den utbildade CNN för 17600 testbilder inklusive suddighet och asymmetribrus som vanligtvis finns i realistiska miljöer.

CNN klassificerade testbilderna med en noggrannhet på över 98 procent, bekräftar att denna maskininlärningsbaserade teknik kunde bearbeta qubit-mätdata med hög genomströmning, hög precision, och minimal mänsklig interaktion.

Denna teknik har också potential att skala upp för qubits som består av mer än en fosforatom, där antalet möjliga bildkonfigurationer skulle öka exponentiellt. Dock, ett maskininlärningsbaserat ramverk kan lätt inkludera hur många möjliga konfigurationer som helst.

Under de kommande åren, när antalet qubits ökar och storleken på kvantenheter växer, qubit-karakterisering via manuella mätningar kommer sannolikt att vara mycket utmanande och betungande.

Detta arbete visar hur maskininlärningstekniker som utvecklats i detta arbete kan spela en avgörande roll i denna aspekt av förverkligandet av en fullskalig feltolerant universell kvantdator - det slutliga målet för den globala forskningssatsningen.