新的研究使用机器学习来弥合量子设备中的现实差距

牛津大学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一个关键挑战。这些发现首次揭示了一种弥合“现实差距”的方法:量子设备预测和观察到的行为之间的差异。研究结果已经发表在物理评论x。

量子计算可以推动大量应用，从气候建模和金融预测到药物发现和人工智能。

但这将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)。对此的一个主要障碍是固有的可变性:即使表面上相同的单元也会表现出不同的行为。

功能可变性被认为是由制造量子器件的材料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，从而导致预测和观察结果之间的差距。

为了解决这个问题，研究小组使用了一种“基于物理的”机器学习方法来间接推断这些无序特征。

这是基于内部无序如何影响电子通过设备的流动。

首席研究员娜塔莉亚·阿瑞斯副教授(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，然后以与我们预测不符的速度或方向离开。”

但是，通过多打几杆球、一个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设备上不同电压设置的输出电流。

将数据输入到模拟中，如果不存在内部紊乱，该模拟计算测量电流与理论电流之间的差异。

通过在许多不同的电压设置下测量电流，模拟被迫找到一种内部无序排列，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。

阿瑞斯副教授补充说:“在疯狂高尔夫的类比中，这相当于沿着隧道放置了一系列传感器，这样我们就可以在不同的点测量球的速度。”

虽然我们仍然无法看到隧道内部，但我们可以利用数据更好地预测投篮时球的表现。'

新模型不仅找到了合适的内部无序轮廓来描述测量的电流值，还能够准确预测特定设备工作状态所需的电压设置。

至关重要的是，该模型提供了一种新的方法来量化量子设备之间的可变性。

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，以减轻量子设备中材料缺陷的不良影响。

合著者大卫·克雷格是牛津大学材料系的博士生，他补充道，“就像我们无法直接观察黑洞，但我们可以从它们对周围物质的影响中推断出它们的存在一样，我们使用简单的测量方法来代替纳米级量子设备的内部可变性。”“尽管真实设备的复杂性仍然高于模型所能捕捉到的，但我们的研究证明了使用物理感知机器学习来缩小现实差距的效用。”

来源: Materials provided by University of Oxford.
注明: Content may be edited for style and length. Journal Reference: D. L. Craig, H. Moon, F. Fedele, D. T. Lennon, B. van Straaten, F. Vigneau, L. C. Camenzind, D. M. Zumbühl, G. A. D. Briggs, M. A. Osborne, D. Sejdinovic, N. Ares. Bridging the Reality Gap in Quantum Devices with Physics-Aware Machine Learning. Physical Review X, 2024; 14 (1) DOI: 10.1103/PhysRevX.14.011001