En studie ledd av University of Oxford har använt kraften i maskininlärning för att övervinna en viktig utmaning som påverkar kvantenheter. För första gången avslöjar resultaten ett sätt att stänga "verklighetsgapet":skillnaden mellan förutsagt och observerat beteende från kvantenheter. Resultaten har publicerats i Physical Review X .
Kvantdatorer kan överta en mängd applikationer, från klimatmodellering och ekonomiska prognoser till läkemedelsupptäckt och artificiell intelligens. Men detta kommer att kräva effektiva sätt att skala och kombinera individuella kvantenheter (även kallade qubits). En stor barriär mot detta är inneboende variabilitet, där även till synes identiska enheter uppvisar olika beteenden.
Funktionell variation antas vara orsakad av nanoskaliga brister i de material som kvantanordningar är gjorda av. Eftersom det inte finns något sätt att mäta dessa direkt, kan denna interna störning inte fångas i simuleringar, vilket leder till gapet i förutspådda och observerade utfall.
För att ta itu med detta använde forskargruppen en "fysikinformerad" maskininlärningsmetod för att indirekt härleda dessa störningsegenskaper. Detta baserades på hur den inre störningen påverkade flödet av elektroner genom enheten.
Ledande forskare docent Natalia Ares (Institutionen för ingenjörsvetenskap, University of Oxford) sa:"Som en analogi när vi spelar "crazy golf" kan bollen komma in i en tunnel och gå ut med en hastighet eller riktning som inte matchar våra förutsägelser Men med några fler slag, en galen golfsimulator och lite maskininlärning kan vi bli bättre på att förutsäga bollens rörelser och minska verklighetsgapet."
Forskarna mätte utströmmen över en individuell kvantpunktsenhet för olika spänningsinställningar. Data matades in i en simulering, som beräknade skillnaden mellan den uppmätta strömmen och den teoretiska strömmen om ingen intern störning förekom.
Genom att mäta strömmen vid många olika spänningsinställningar, begränsades simuleringen för att hitta ett arrangemang av inre störningar som kunde förklara mätningarna vid alla spänningsinställningar. Detta tillvägagångssätt kombinerade matematiska och statistiska tillvägagångssätt tillsammans med djupinlärning.
Docent Ares tillade:"I galengolfanalogin skulle det vara likvärdigt med att placera en serie sensorer längs tunneln, så att vi kunde mäta bollens hastighet vid olika punkter. Även om vi fortfarande inte kan se inuti tunneln , vi kan använda data för att ge bättre förutsägelser om hur bollen kommer att bete sig när vi tar skottet."
Den nya modellen hittade inte bara lämpliga interna störningsprofiler för att beskriva de uppmätta strömvärdena, utan den kunde också exakt förutsäga spänningsinställningar som krävs för specifika enhetsdriftregimer.
Modellen tillhandahåller en ny metod för att kvantifiera variationen mellan kvantenheter. Detta kan möjliggöra mer exakta förutsägelser om hur enheter kommer att fungera och hjälpa till att konstruera optimala material för kvantenheter. Det skulle kunna informera om kompensationsmetoder för att mildra de oönskade effekterna av materiella brister i kvantenheter.
Medförfattare David Craig, en Ph.D. student vid Institutionen för material, University of Oxford, tillade:"Lika som hur vi inte kan observera svarta hål direkt men vi drar slutledning av deras närvaro från deras effekt på omgivande materia, har vi använt enkla mätningar som en proxy för den interna variabiliteten av kvantum i nanoskala enheter."
"Även om den verkliga enheten fortfarande har större komplexitet än modellen kan fånga, har vår studie visat nyttan av att använda fysikmedveten maskininlärning för att minska verklighetsklyftan."
Mer 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
Journalinformation: Fysisk granskning X
Tillhandahålls av University of Oxford
