Квантовые вычисления могут ускорить множество приложений, от моделирования климата и финансового прогнозирования до открытия лекарств и искусственного интеллекта. Но для этого потребуются эффективные способы масштабирования и объединения отдельных квантовых устройств (также называемых кубитами). Основным препятствием на этом пути является врожденная изменчивость: даже внешне идентичные устройства демонстрируют разное поведение.

Предполагается, что функциональная изменчивость вызвана наноразмерными несовершенствами материалов, из которых изготавливаются квантовые устройства. Поскольку нет способа измерить их напрямую, это внутреннее расстройство не может быть учтено при моделировании, что приводит к разрыву в прогнозируемых и наблюдаемых результатах.

Чтобы решить эту проблему, исследовательская группа использовала подход машинного обучения, основанный на «физике», чтобы косвенно определить эти характеристики беспорядка. Это было основано на том, как внутренний беспорядок влияет на поток электронов через устройство.

Исследователи измерили выходной ток для различных настроек напряжения в отдельном устройстве с квантовой точкой. Данные были введены в моделирование, которое рассчитало разницу между измеренным током и теоретическим током, если не было внутренних нарушений. Измеряя ток при множестве различных настроек напряжения, моделирование было ограничено поиском внутреннего беспорядка, который мог бы объяснить измерения при всех настройках напряжения. В этом подходе использовалась комбинация математического и статистического подходов в сочетании с глубоким обучением.

Новая модель не только нашла подходящие профили внутренних нарушений для описания измеренных значений тока, но также смогла точно предсказать настройки напряжения, необходимые для конкретных режимов работы устройства.

Важно отметить, что модель предоставляет новый метод количественной оценки вариабельности между квантовыми устройствами. Это может позволить более точно предсказывать, как устройства будут работать, а также помочь разработать оптимальные материалы для квантовых устройств. Это может послужить основой для подходов к компенсации для смягчения нежелательных последствий материальных несовершенств в квантовых устройствах.

(Источник: https://www.ox.ac.uk/news/2024-01-10-new-study-uses-machine-learning-bridge-reality-gap-quantum-devices)