Исследование, проведенное под руководством Оксфордского университета, продемонстрировало, как с помощью машинного обучения можно преодолеть ключевую проблему, влияющую на квантовые устройства. Впервые результаты исследования показали способ устранения «разрыва реальности» — различий между предсказанным и наблюдаемым поведением квантовых устройств. Эти выводы были опубликованы в журнале Physical Review X.
Квантовые устройства и вызовы
Квантовые вычисления обладают огромным потенциалом для решения множества задач, от моделирования климата и прогнозирования финансовых рынков до разработки лекарств и искусственного интеллекта. Однако для этого необходимо эффективно масштабировать и объединять отдельные квантовые устройства (или кубиты). Одним из главных барьеров на этом пути является функциональная изменчивость — даже казалось бы одинаковые устройства могут демонстрировать различные поведения.
Эта изменчивость обусловлена наномасштабными несовершенствами в материалах, из которых изготовлены квантовые устройства. Поскольку невозможно напрямую измерить эти внутренние дефекты, они не учитываются в моделях и симуляциях, что приводит к несоответствию между предсказанными и фактическими результатами работы устройства.
Применение машинного обучения
Для решения этой проблемы группа исследователей использовала подход машинного обучения, основанный на физических принципах. Исследователи косвенно выявили характеристики этих несовершенств на основе того, как внутренние дефекты влияют на прохождение электронов через устройство.
Ассоциированный профессор Наталия Арес (Инженерный факультет, Оксфордский университет), ведущий исследователь проекта, пояснила: «Как аналогию можно привести игру в мини-гольф. Когда мяч попадает в туннель, его выходная скорость и направление могут не совпадать с нашими ожиданиями. Но если провести несколько дополнительных попыток, использовать симулятор и машинное обучение, мы могли бы точнее предсказывать его поведение и уменьшить разрыв между предсказанием и реальностью».
Как это работает
Исследователи измеряли ток, проходящий через квантовое устройство при различных значениях напряжения. Эти данные вводились в симуляцию, которая рассчитывала разницу между измеренным током и теоретическим значением, если бы внутри устройства не было дефектов.
С помощью многочисленных измерений при разных напряжениях симуляция могла определить вероятное расположение внутренних дефектов, которое объясняло бы все измерения. Этот подход использовал комбинацию математических и статистических методов в сочетании с глубоким обучением.
Перспективы и выводы
Новая модель не только нашла подходящие профили внутренних дефектов для описания измеренных значений тока, но и точно предсказала напряжения, необходимые для работы устройства в определенных режимах. Это открытие позволяет более точно предсказывать поведение квантовых устройств, а также поможет в разработке оптимальных материалов для таких устройств. Это может открыть пути для компенсации нежелательных эффектов, вызванных несовершенствами материалов.
Соавтор исследования, Дэвид Крейг, аспирант кафедры материаловедения Оксфордского университета, добавил: «Подобно тому, как мы не можем наблюдать черные дыры напрямую, но делаем выводы о них по их влиянию на окружающие объекты, мы использовали простые измерения для оценки внутренней изменчивости квантовых устройств. Несмотря на то, что реальное устройство имеет большую сложность, чем модель может отразить, наше исследование продемонстрировало эффективность использования машинного обучения для сокращения разрыва реальности».