一个研究小组开发了一种机器学习模型，以解决由材料缺陷引起的量子器件的可变性。通过分析电子流，该团队推断了内部无序模式，改进了对量子器件性能的预测并指导了材料优化。
牛津大学（University of Oxford）领导的一项研究利用机器学习的力量克服了影响量子设备的关键挑战。这些发现首次揭示了一种缩小“现实差距”的方法：量子设备的预测行为和观察到的行为之间的差异。研究结果已发表在《物理评论X》上。
量子计算可以增强丰富的应用，从气候建模和财务预测，到药物发现和人工智能。但这需要有效的方法来扩展和组合单个量子设备（也称为量子比特）。一个主要的障碍是固有的可变性：即使是看似相同的单元也表现出不同的行为。
量子器件变异性的原因
据推测，功能变异性是由制造量子器件的材料中的纳米级缺陷引起的。由于没有办法直接测量这些，这种内部紊乱无法在模拟中捕捉到，导致预测和观察到的结果存在差距。
为了解决这个问题，研究小组使用了一种“物理信息”的机器学习方法来间接推断这些疾病特征。这是基于内部无序如何影响电子通过器件的流动。
“疯狂高尔夫”的比喻
首席研究员Natalia Ares副教授（牛津大学工程科学系）说：“打个比方，当我们打’疯狂高尔夫’时，球可能会进入隧道，并以与我们的预测不符的速度或方向离开。但是，通过更多的击球，疯狂的高尔夫模拟器和一些机器学习，我们可能会更好地预测球的运动并缩小现实差距。
研究人员测量了单个量子点器件中不同电压设置的输出电流。将数据输入到模拟中，该模拟计算测量电流与理论电流之间的差值（如果不存在内部无序）。通过测量许多不同电压设置下的电流，仿真被限制为找到一种内部无序的排列，可以解释所有电压设置下的测量结果。这种方法结合了数学和统计方法以及深度学习。
Ares副教授补充说：“在疯狂的高尔夫类比中，这相当于沿着隧道放置一系列传感器，这样我们就可以测量球在不同点的速度。虽然我们仍然看不到隧道内部，但我们可以利用这些数据来更好地预测我们投篮时球的表现。
新模型不仅找到了合适的内部无序曲线来描述测量的电流值，还能够准确预测特定设备运行状态所需的电压设置。
对量子器件工程的影响
至关重要的是，该模型提供了一种量化量子设备之间可变性的新方法。这可以更准确地预测设备的性能，也有助于为量子设备设计最佳材料。它可以为补偿方法提供信息，以减轻量子器件中材料缺陷的不良影响。
共同作者、牛津大学材料系博士生大卫·克雷格（David Craig）补充说：“类似于我们无法直接观察黑洞，但我们从它们对周围物质的影响中推断出它们的存在，我们使用简单的测量作为纳米级量子器件内部可变性的代理。尽管真实设备的复杂性仍然高于模型所能捕获的复杂性，但我们的研究已经证明了使用物理感知机器学习来缩小现实差距的效用。
暂无评论内容