牛津大学领导的一项研究利用机器学习的力量来克服影响量子设备的关键挑战。研究结果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。研究结果发表在《PhysicalReviewX》上。

量子计算可以增强大量应用，从气候建模和金融预测到药物发现和人工智能。但这需要有效的方法来扩展和组合单个量子设备(也称为量子位)。阻碍这一点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。

据推测，功能变异是由制造量子器件的材料中的纳米级缺陷引起的。由于无法直接测量这些，因此无法在模拟中捕获这种内部紊乱，从而导致预测结果和观察结果之间的差距。

为了解决这个问题，研究小组使用“基于物理的”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设备的流动。

首席研究员、牛津大学工程科学系副教授NataliaAres表示：“打个比方，当我们打‘疯狂高​​尔夫’时，球可能会以与我们预测不符的速度或方向进入隧道并退出。……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。”

研究人员测量了不同电压设置下单个量子点器件的输出电流。将数据输入到模拟中，如果不存在内部紊乱，该模拟将计算测量电流与理论电流之间的差异。

通过测量许多不同电压设置下的电流，模拟被限制为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。这种方法将数学和统计方法与深度学习相结合。

阿瑞斯副教授补充道：“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，这样我们就可以在不同点测量球的速度。尽管我们仍然看不到隧道内部，我们可以利用这些数据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紊乱曲线来描述测量的电流值，而且还可以准确预测特定设备工作状态所需的电压设置。

该模型提供了一种量化量子设备之间变异性的新方法。这可以更准确地预测设备的性能，并帮助设计量子设备的最佳材料。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(DavidCraig)博士牛津大学材料系的学生补充道：“类似于我们无法直接观察黑洞，但我们可以根据黑洞对周围物质的影响来推断它们的存在，我们使用简单的测量作为纳米级量子内部变异性的代理。设备。”

“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。”

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：