Статья команды в журнале Physical Review Applied описывает способ научить ИИ выполнять взаимосвязанный набор настроек крошечных квантовых точек, которые являются одними из многих многообещающих устройств для создания квантовых битов, или «кубитов», которые будут формировать переключатели в процессоре квантового компьютера.
Точная настройка точек имеет решающее значение для преобразования их в правильно функционирующие кубиты, и до сих пор эту работу приходилось кропотливо выполнять люди-операторы, требуя часов работы для создания даже небольшой горстки кубитов для одного расчета.
Практический квантовый компьютер со множеством взаимодействующих кубитов потребует гораздо больше точек – и настроек – чем может справиться человек, поэтому достижение команды может приблизить обработку на основе квантовых точек из области теории к искусственной реальности.
«Теоретики квантового компьютера представляют, что они могут сделать с сотнями или тысячами кубитов, но слон в комнате состоит в том, что мы можем заставить работать только горстку из них за раз», – сказала Юстина Зволак, математик из NIST. "Теперь у нас есть путь к тому, чтобы сделать это реальным."
Квантовая точка обычно содержит электроны, которые ограничены узким пространством, похожим на коробку, в полупроводниковом материале.
Стенки бокса образуют несколько металлических электродов (так называемых ворот) над поверхностью полупроводника, к которым прикладывается электрическое напряжение, влияющее на положение квантовой точки и количество электронов. В зависимости от своего положения относительно точки затворы по-разному управляют электронами.
Чтобы заставить точки делать то, что вы хотите – действовать как тот или иной логический переключатель кубита, например, – напряжения затвора должны быть настроены только на правильные значения. Эта настройка выполняется вручную: измеряются токи, протекающие через систему квантовых точек, затем немного изменяются напряжения затвора, а затем снова проверяется ток.
И чем больше точек (и вентилей) вы задействуете, тем сложнее настроить их все одновременно, чтобы получить кубиты, которые правильно работают вместе.
Короче говоря, это не концерт, который любой механик-человек почувствовал бы себя плохо, проиграв машине.
«Обычно это работа, которую выполняет аспирант», – сказал аспирант Том МакДжанкин с физического факультета Университета Висконсин-Мэдисон и соавтор статьи. "Я могу настроить одну точку за несколько часов, а две могут занять день,.
Я мог бы сделать четыре, но не если мне нужно пойти домой и поспать. Поскольку это поле растет, мы не можем тратить недели на подготовку системы – нам нужно исключить человека из поля зрения."
Тем не менее, изображения – это именно то, на что МакДжанкин привык смотреть, настраивая точки: данные, с которыми он работал, поступали в виде визуальных изображений, которые команда поняла, что ИИ хорошо распознает. Алгоритмы искусственного интеллекта, называемые сверточными нейронными сетями, стали популярной техникой для автоматической классификации изображений, пока они получают множество примеров того, что им нужно распознать. Таким образом, Сандеш Калантре из команды под руководством Джейка Тейлора из Объединенного квантового института создал симулятор, который будет генерировать тысячи изображений измерений квантовых точек, которые они могут передать ИИ в качестве тренировочного упражнения.
«Мы моделируем настройку кубита, которую хотим, и запускаем ее на ночь, а утром у нас есть все данные, необходимые для обучения ИИ для автоматической настройки системы», – сказал Зволак. "И мы разработали его так, чтобы его можно было использовать в любой системе на основе квантовых точек, а не только в нашей собственной."
Команда начала с малого, используя установку из двух квантовых точек, и они проверили, что в пределах определенных ограничений их обученный ИИ может автоматически настраивать систему на желаемую установку.
Он не был идеальным – они определили несколько областей, над которыми им нужно работать, чтобы повысить надежность подхода – и они пока не могут использовать его для настройки тысяч взаимосвязанных квантовых точек. Но даже на этой ранней стадии его практическая сила неоспорима, позволяя опытному исследователю тратить драгоценное время в другом месте.
«Это способ использовать машинное обучение для экономии труда и – в конечном итоге – для того, чтобы делать то, что люди не умеют делать», – сказал Зволак. "Мы все можем распознать трехмерную кошку, и это в основном то, что представляет собой одна точка с несколькими правильно настроенными воротами.
Множество точек и ворот как у 10-мерного кота. Человек не может даже увидеть кошку 10D. Но мы можем научить ИИ распознавать его."