En avancerad racermotor behöver alla dess komponenter stämda och samarbeta exakt för att leverera högsta kvalitet. Detsamma kan sägas om processorn inuti en kvantdator, vars känsliga bitar måste justeras på rätt sätt innan den kan utföra en beräkning. Vem är rätt mekaniker för detta kvantjusteringsjobb? Enligt ett team som inkluderar forskare vid National Institute of Standards and Technology (NIST), det är en artificiell intelligens, det är vem.

Lagets papper i tidningen Fysisk granskning tillämpad beskriver ett sätt att lära en AI att göra en sammankopplad uppsättning justeringar av små kvantpunkter, som är bland de många lovande enheterna för att skapa kvantbitar, eller "qubits, "som skulle bilda omkopplarna i en kvantdatorprocessor.

Just att justera prickarna är avgörande för att omvandla dem till korrekt fungerande qubits, och tills nu måste jobbet utföras noggrant av mänskliga operatörer, kräver timmar av arbete för att skapa även en liten handfull qubits för en enda beräkning.

En praktisk kvantdator med många interagerande qubits skulle kräva betydligt fler prickar - och justeringar - än vad en människa skulle klara, så lagets prestation kan föra kvantprickbaserad bearbetning närmare från teoridomen till konstruerad verklighet.

"Kvantdatorteoretiker föreställer sig vad de kan göra med hundratals eller tusentals qubits, men elefanten i rummet är att vi faktiskt bara kan få en handfull av dem att fungera åt gången, "sa Justyna Zwolak, en NIST -matematiker. "Nu har vi en väg framåt för att göra detta verkligt."

En kvantpunkt innehåller vanligtvis elektroner som är begränsade till ett tätt boxliknande utrymme i ett halvledarmaterial. Lådans väggar bildar flera metallelektroder (så kallade grindar) ovanför halvledarytan som har elektrisk spänning på sig, påverkar kvantpunktens position och antal elektroner. Beroende på deras position i förhållande till pricken, grindarna styr elektronerna på olika sätt.

För att få prickarna att göra vad du vill - fungera som en slags qubit -logikomkopplare eller en annan, till exempel - grindspänningarna måste ställas in på precis rätt värden. Denna inställning görs manuellt, genom att mäta strömmar som flödar genom kvantpunktsystemet, ändra sedan grindspänningarna lite, kontrollera sedan strömmen igen. Och ju fler prickar (och grindar) du involverar, desto svårare är det att ställa in dem alla samtidigt så att du får qubits som fungerar korrekt.

Kortfattat, det här är inte en spelning som någon mänsklig mekaniker skulle må dåligt av att förlora mot en maskin.

"Det är vanligtvis ett jobb som utförs av en doktorand, "sa doktoranden Tom McJunkin vid University of Wisconsin-Madisons fysikavdelning och en medförfattare på tidningen." Jag kunde ställa in en prick på några timmar, och två kan ta en dag med vridknappar. Jag kunde göra fyra, men inte om jag behöver gå hem och sova. När detta fält växer, vi kan inte spendera veckor på att göra systemet klart - vi måste ta människan ur bilden. "

Bilder, fastän, är precis vad McJunkin var van att titta på när han justerade prickarna:Data han arbetade med kom i form av visuella bilder, som teamet insåg att AI är bra på att känna igen. AI-algoritmer som kallas konvolutionella neurala nätverk har blivit teknik för automatisk bildklassificering, så länge de utsätts för massor av exempel på vad de behöver känna igen. Så lagets Sandesh Kalantre, under överinseende av Jake Taylor vid Joint Quantum Institute, skapade en simulator som skulle generera tusentals bilder av kvantpunktsmätningar som de kunde mata till AI som en träningsövning.

"Vi simulerar den qubit -inställning vi vill och kör den över natten, och på morgonen har vi all data vi behöver för att träna AI för att ställa in systemet automatiskt, "Sade Zwolak." Och vi utformade den för att vara användbar på alla kvantprickbaserade system, inte bara vår egen. "

Teamet började smått, med hjälp av två kvantpunkter, och de verifierade att inom vissa begränsningar kunde deras utbildade AI automatiskt justera systemet till den inställning de önskade. Det var inte perfekt - de identifierade flera områden som de måste arbeta med för att förbättra tillvägagångssättets tillförlitlighet - och de kan inte använda det för att ställa in tusentals sammanlänkade kvantpunkter ännu. Men även i detta tidiga skede är dess praktiska kraft obestridlig, låta en skicklig forskare spendera värdefull tid någon annanstans.

"Det är ett sätt att använda maskininlärning för att spara arbete, och - så småningom - att göra något som människor inte är bra på att göra, "Sade Zwolak." Vi kan alla känna igen en tredimensionell katt, och det är i princip vad en enda prick med några rätt inställda grindar är. Massor av prickar och grindar är som en 10-dimensionell katt. En människa kan inte ens se en 10D -katt. Men vi kan träna en AI för att känna igen en. "

Denna berättelse publiceras på nytt med tillstånd av NIST. Läs den ursprungliga historien här.