Uno studio condotto dall’Università di Oxford ha utilizzato la potenza dell’apprendimento automatico per superare una sfida chiave che riguarda i dispositivi quantistici. Per la prima volta, i risultati rivelano un modo per colmare il “gap di realtà”:la differenza tra il comportamento previsto e quello osservato dai dispositivi quantistici. I risultati sono stati pubblicati in Physical Review X .
L’informatica quantistica potrebbe potenziare una vasta gamma di applicazioni, dalla modellazione climatica e previsioni finanziarie alla scoperta di farmaci e all’intelligenza artificiale. Ma ciò richiederà modi efficaci per scalare e combinare i singoli dispositivi quantistici (chiamati anche qubit). Una barriera importante contro questo è la variabilità intrinseca, dove anche unità apparentemente identiche mostrano comportamenti diversi.
Si presume che la variabilità funzionale sia causata da imperfezioni su scala nanometrica nei materiali con cui sono realizzati i dispositivi quantistici. Poiché non esiste un modo per misurarli direttamente, questo disordine interno non può essere catturato nelle simulazioni, il che porta a un divario tra i risultati previsti e quelli osservati.
Per risolvere questo problema, il gruppo di ricerca ha utilizzato un approccio di apprendimento automatico “informato sulla fisica” per dedurre indirettamente queste caratteristiche del disturbo. Ciò si basava sul modo in cui il disordine interno influenzava il flusso di elettroni attraverso il dispositivo.
La ricercatrice capo, professoressa associata Natalia Ares (Dipartimento di scienze ingegneristiche, Università di Oxford), ha dichiarato:"Per analogia con quando giochiamo a 'golf pazzo', la pallina può entrare in un tunnel ed uscire con una velocità o una direzione che non corrisponde alle nostre previsioni". . Ma con qualche tiro in più, un simulatore di golf pazzesco e un po' di apprendimento automatico, potremmo migliorare nel prevedere i movimenti della palla e ridurre il divario con la realtà."
I ricercatori hanno misurato la corrente di uscita attraverso un singolo dispositivo a punti quantici per diverse impostazioni di tensione. I dati sono stati inseriti in una simulazione, che ha calcolato la differenza tra la corrente misurata e la corrente teorica in assenza di disturbi interni.
Misurando la corrente con diverse impostazioni di tensione, la simulazione è stata costretta a trovare una disposizione del disordine interno che potesse spiegare le misurazioni con tutte le impostazioni di tensione. Questo approccio combinava approcci matematici e statistici abbinati al deep learning.
Il professore associato Ares ha aggiunto:"Nell'analogia del minigolf, sarebbe equivalente a posizionare una serie di sensori lungo il tunnel, in modo da poter misurare la velocità della pallina in diversi punti. Anche se non possiamo ancora vedere all'interno del tunnel , possiamo utilizzare i dati per fornire previsioni migliori su come si comporterà la palla quando tiriamo."
Il nuovo modello non solo ha individuato profili di disordine interno adeguati per descrivere i valori di corrente misurati, ma è anche riuscito a prevedere con precisione le impostazioni di tensione richieste per regimi operativi specifici del dispositivo.
Il modello fornisce un nuovo metodo per quantificare la variabilità tra i dispositivi quantistici. Ciò potrebbe consentire previsioni più accurate sulle prestazioni dei dispositivi e aiutare a progettare materiali ottimali per i dispositivi quantistici. Potrebbe ispirare approcci di compensazione per mitigare gli effetti indesiderati delle imperfezioni dei materiali nei dispositivi quantistici.
Coautore David Craig, un dottorato di ricerca. Uno studente del Dipartimento di Materiali dell'Università di Oxford ha aggiunto:"Similmente a come non possiamo osservare direttamente i buchi neri ma deduciamo la loro presenza dal loro effetto sulla materia circostante, abbiamo utilizzato semplici misurazioni come proxy per la variabilità interna dei fenomeni quantistici su scala nanometrica". dispositivi."
"Sebbene il dispositivo reale abbia ancora una complessità maggiore di quella che il modello può catturare, il nostro studio ha dimostrato l'utilità di utilizzare l'apprendimento automatico basato sulla fisica per ridurre il divario con la realtà."
Ulteriori informazioni: D. L. Craig et al, Colmare il divario della realtà nei dispositivi quantistici con l'apprendimento automatico sensibile alla fisica, Physical Review X (2024). DOI:10.1103/PhysRevX.14.011001
Informazioni sul giornale: Revisione fisica X
Fornito dall'Università di Oxford
