Scienziati dell'Università di Oxford, in collaborazione con l'Università di Basilea e la Lancaster University, hanno sviluppato un algoritmo che può essere utilizzato per misurare automaticamente i punti quantici.

Lo spin elettronico dei singoli elettroni nei punti quantici potrebbe servire come la più piccola unità di informazione di un computer quantistico. Scrivendo in npj Quantum Information, gli scienziati descrivono come possono accelerare enormemente questo processo che richiede molto tempo con l'aiuto dell'apprendimento automatico.

Il loro approccio alla misurazione e al controllo automatici dei qubit rappresenta un passo fondamentale verso la loro applicazione su larga scala.

Dott.ssa Natalia Ares del Dipartimento di Materiali dell'Università di Oxford, disse:"Per la prima volta, abbiamo applicato l'apprendimento automatico per eseguire misurazioni efficienti in punti quantici di arseniuro di gallio, consentendo così la caratterizzazione di grandi array di dispositivi quantistici".

Professor Dr. Dominik Zumbühl dell'Università di Basilea, ha dichiarato:"Il prossimo passo nel nostro laboratorio è ora quello di applicare il software ai punti quantici di semiconduttori realizzati con altri materiali che sono più adatti allo sviluppo di un computer quantistico.

"Con questo lavoro, abbiamo dato un contributo chiave che aprirà la strada ad architetture qubit su larga scala".

Per molti anni, lo spin elettronico dei singoli elettroni in un punto quantico è stato identificato come un candidato ideale per la più piccola unità di informazione in un computer quantistico, altrimenti noto come qubit.

Nei punti quantici fatti di materiali semiconduttori stratificati, i singoli elettroni vengono catturati in una trappola, per così dire. I loro giri possono essere determinati in modo affidabile e commutati rapidamente, con i ricercatori che tengono sotto controllo gli elettroni applicando tensioni alle varie nanostrutture all'interno della trappola. Tra l'altro, questo consente loro di controllare quanti elettroni entrano nel punto quantico da un serbatoio tramite effetti tunnel. Qui, anche piccole variazioni di tensione hanno una notevole influenza sugli elettroni.

Per ogni punto quantico, le tensioni applicate devono essere tarate con cura per ottenere le condizioni ottimali. Quando diversi punti quantici vengono combinati per scalare nel dispositivo fino a un numero elevato di qubit, questo processo di messa a punto diventa enormemente dispendioso in termini di tempo perché i punti quantici del semiconduttore non sono completamente identici e devono essere caratterizzati singolarmente.

Questo algoritmo rivoluzionario aiuterà ad automatizzare il processo. L'approccio di apprendimento automatico degli scienziati riduce il tempo di misurazione e il numero di misurazioni rispetto all'acquisizione dati convenzionale.

Gli scienziati hanno addestrato la macchina con dati sulla corrente che scorre attraverso il punto quantico a diverse tensioni. Come la tecnologia di riconoscimento facciale, il software apprende gradualmente dove sono necessarie ulteriori misurazioni, al fine di ottenere il massimo guadagno di informazioni. Il sistema quindi esegue queste misurazioni e ripete il processo fino a quando non si ottiene una caratterizzazione effettiva secondo criteri predefiniti e il punto quantico può essere utilizzato come qubit.