Un grupo de investigadores ha demostrado con éxito la identificación automática del estado de carga en dispositivos de puntos cuánticos utilizando técnicas de aprendizaje automático, un paso clave hacia la automatización de la fabricación y el ajuste de bits cuánticos (qubits) para el procesamiento de información cuántica.
Los qubits semiconductores utilizan materiales semiconductores para crear bits cuánticos. Estos materiales son comunes en la electrónica convencional, lo que los hace compatibles con la tecnología de semiconductores tradicional. Debido a esta compatibilidad, los científicos los consideran fuertes candidatos para futuros qubits en la búsqueda de computadoras cuánticas.
En los qubits de espín de semiconductores, el estado de espín de un electrón atrapado en un punto cuántico sirve como unidad básica de datos, o qubit. La creación de estos estados de qubit requiere ajustar varios parámetros, como el voltaje de la puerta, que lo realizan expertos humanos.
Sin embargo, a medida que aumenta el número de qubits, el ajuste se vuelve más complejo debido a la excesiva cantidad de parámetros necesarios. Cuando se trata de comprender las computadoras a gran escala, esto se vuelve problemático.
“Para superar esto, desarrollamos un medio para automatizar la estimación de los estados de carga en puntos cuánticos dobles, lo cual es crucial para crear qubits de espín donde cada punto cuántico contiene un electrón”, explica Tomohiro Otsuka, profesor asociado del Instituto Avanzado de la Universidad de Tohoku. para Materiales. Investigación (WPI-AIMR).
Utilizando un sensor de carga, Otsuka y su equipo derivaron diagramas de estabilidad de carga para identificar la combinación óptima de voltaje de puerta que garantiza la presencia de un electrón por punto. Automatizar este proceso de sintonización requiere desarrollar un estimador capaz de clasificar los estados de carga en función de las variaciones en las líneas de transición de carga dentro del diagrama de estabilidad.
Para construir este estimador, los investigadores utilizaron una red neuronal convolucional (CNN) entrenada con datos generados mediante un modelo de simulación liviano: el modelo de Interacción Constante (modelo CI). Las técnicas de preprocesamiento aumentaron la fluidez de los datos y su resistencia al ruido, mejorando la capacidad de la CNN para clasificar con precisión los estados de carga.
Al probar el estimador con datos experimentales, los resultados preliminares mostraron una estimación efectiva de la mayoría de los estados de carga, aunque algunos estados mostraron altas tasas de error. Para abordar esto, los investigadores utilizaron el concepto Grad-CAM para descubrir patrones de toma de decisiones dentro del estimador. Identificaron que los errores a menudo eran causados por ruido correlacionado accidentalmente que se malinterpretaba como líneas de transición de carga. Al ajustar los datos de entrenamiento y optimizar la estructura del estimador, los investigadores mejoraron significativamente la precisión de los primeros estados de carga propensos a errores, manteniendo al mismo tiempo un alto rendimiento para los demás.
“El uso de este estimador significa que los parámetros de los qubits de espín de los semiconductores se pueden ajustar automáticamente, algo esencial si queremos desarrollar ordenadores cuánticos”, añade Otsuka. “Además, al observar primero la base de la decisión de caja negra, hemos demostrado que puede servir como guía para mejorar el desempeño del estimador”.
Los detalles de la investigación fueron publicados en la revista. Aprendizaje automático APL El 15 de abril de 2024.
