机器学习为量子设备打开了新的可能性

2019年10月05日由 KING 发表 132700 0

牛津大学、巴塞尔大学和兰开斯特大学合作开发了一种可自动测量量子点的算法。

科学家在《npj量子信息》中写道：量子点中单个电子的电子自旋可以充当量子计算机的最小信息单元，他们描述了如何借助机器学习来极大地加速这一耗时的过程。

他们掌握了量子位的自动测量和控制的方法，这标志着它们朝着大规模应用迈出了关键一步。牛津大学材料系的纳塔利娅·阿瑞斯博士说：“这是我们第一次应用机器学习对砷化镓量子点进行有效的测量，从而可以表征大型的量子器件阵列。”

巴塞尔大学的DominikZumbühl教授说：“我们实验室的下一步是将软件应用于由其他材料制成的半导体量子点，这些材料更适合开发量子计算机，这将为大规模qubit架构铺平道路。”

多年来，量子点中单个电子的电子自旋已被确定为量子计算机中最小信息单元（也称为量子位）的理想候选者。可以说，在由分层半导体材料制成的量子点中，单个电子被捕获在陷阱中。研究人员可以通过向陷阱内的各种纳米结构施加电压来控制电子，从而快速切换它们的自旋。除此之外，这使他们能够控制有多少电子通过隧穿效应从储层进入量子点。即使很小的电压变化对电子也有相当大的影响。对于每个量子点，必须仔细调整施加的电压，以达到最佳条件。当将几个量子点组合在一起以在设备中按比例缩放到大量qubit时，由于半导体量子点并不完全相同并且必须分别进行特征化，因此这个调谐过程非常耗时。

这种突破性算法将有助于使过程自动化。与传统的数据采集相比，科学家的机器学习方法减少了测量时间和测量次数。

科学家们用不同电压下流过量子点的电流的数据对机器进行了训练。像面部识别技术一样，该软件逐渐了解需要进行进一步测量的位置，以实现最大的信息增益。然后，系统执行这些测量并重复该过程，直到根据预定义的标准实现有效的表征，并且量子点可以用来开发其他量子设备。

标签：

行业机器学习

0 评论

欢迎关注ATYUN官方公众号

商务合作及内容投稿请联系邮箱:bd@atyun.com

上一篇云栖大会（下）：阿里巴巴开源之路的新领头人贾扬清和他的“3+1”

下一篇利用机器学习观测地形

评论登录

要发表评论，您必须先登录。

jonatasgrosman/wav2vec2-large-xlsr-53-english facebook/dino-vitb16 bert-base-uncased xlm-roberta-large xlm-roberta-base gpt2 microsoft/resnet-50 facebook/dino-vits8

Sam Altman离职事件时间线