Un estudio dirigido por la Universidad de Oxford ha utilizado el poder del aprendizaje automático para superar un desafío clave que afecta a los dispositivos cuánticos. Por primera vez, los hallazgos revelan una forma de cerrar la "brecha de la realidad":la diferencia entre el comportamiento previsto y observado de los dispositivos cuánticos. Los resultados han sido publicados en Physical Review X .
La computación cuántica podría potenciar una gran cantidad de aplicaciones, desde modelos climáticos y pronósticos financieros hasta el descubrimiento de fármacos y la inteligencia artificial. Pero esto requerirá formas efectivas de escalar y combinar dispositivos cuánticos individuales (también llamados qubits). Una barrera importante contra esto es la variabilidad inherente, donde incluso unidades aparentemente idénticas exhiben comportamientos diferentes.
Se supone que la variabilidad funcional es causada por imperfecciones a nanoescala en los materiales con los que se fabrican los dispositivos cuánticos. Dado que no hay forma de medirlos directamente, este desorden interno no se puede capturar en simulaciones, lo que genera una brecha entre los resultados previstos y observados.
Para abordar esto, el grupo de investigación utilizó un enfoque de aprendizaje automático "informado por la física" para inferir indirectamente las características de estos trastornos. Esto se basó en cómo el desorden interno afectó el flujo de electrones a través del dispositivo.
La investigadora principal, la profesora asociada Natalia Ares (Departamento de Ciencias de la Ingeniería, Universidad de Oxford), dijo:"Como analogía, cuando jugamos 'golf loco', la pelota puede entrar en un túnel y salir con una velocidad o dirección que no coincide con nuestras predicciones. . Pero con algunos tiros más, un loco simulador de golf y algo de aprendizaje automático, podríamos mejorar en la predicción de los movimientos de la pelota y reducir la brecha de la realidad".
Los investigadores midieron la corriente de salida a través de un dispositivo de puntos cuánticos individual para diferentes configuraciones de voltaje. Los datos se introdujeron en una simulación, que calculó la diferencia entre la corriente medida y la corriente teórica si no había ningún desorden interno presente.
Al medir la corriente en muchos ajustes de voltaje diferentes, la simulación se vio limitada a encontrar una disposición de desorden interno que pudiera explicar las mediciones en todos los ajustes de voltaje. Este enfoque combinó enfoques matemáticos y estadísticos junto con el aprendizaje profundo.
El profesor asociado Ares añadió:"En la analogía del golf loco, sería equivalente a colocar una serie de sensores a lo largo del túnel, de modo que pudiéramos tomar medidas de la velocidad de la pelota en diferentes puntos. Aunque todavía no podemos ver el interior del túnel , podemos utilizar los datos para realizar mejores predicciones sobre cómo se comportará la pelota cuando realicemos el tiro".
El nuevo modelo no solo encontró perfiles de desorden interno adecuados para describir los valores de corriente medidos, sino que también pudo predecir con precisión los ajustes de voltaje necesarios para regímenes operativos de dispositivos específicos.
El modelo proporciona un nuevo método para cuantificar la variabilidad entre dispositivos cuánticos. Esto podría permitir predicciones más precisas sobre cómo funcionarán los dispositivos y ayudar a diseñar materiales óptimos para dispositivos cuánticos. Podría informar enfoques de compensación para mitigar los efectos no deseados de las imperfecciones materiales en los dispositivos cuánticos.
El coautor David Craig, Ph.D. Un estudiante del Departamento de Materiales de la Universidad de Oxford añadió:"De manera similar a cómo no podemos observar los agujeros negros directamente pero inferimos su presencia a partir de su efecto sobre la materia circundante, hemos utilizado mediciones simples como proxy de la variabilidad interna de la nanoescala cuántica". dispositivos."
"Aunque el dispositivo real todavía tiene una complejidad mayor de la que el modelo puede capturar, nuestro estudio ha demostrado la utilidad de utilizar el aprendizaje automático consciente de la física para reducir la brecha de la realidad".
Más información: D. L. Craig et al, Reduciendo la brecha de la realidad en los dispositivos cuánticos con el aprendizaje automático consciente de la física, Physical Review X (2024). DOI:10.1103/PhysRevX.14.011001
Información de la revista: Revisión física X
Proporcionado por la Universidad de Oxford
