در یک مطالعه پیشگامانه، دانشمندان دانشگاه آکسفورد توانسته‌اند با بهره‌گیری از قدرت یادگیری ماشین، یک مشکل عمده در محاسبات کوانتومی، یعنی تنوع عملکرد ناشی از نقص‌های نانومتری را برطرف کنند. با مطالعه جریان الکترون‌ها در داخل یک دستگاه کوانتومی، پژوهشگران مدلی بر مبنای فیزیکی از یادگیری ماشین توسعه دادند که به درستی رفتار دستگاه‌های کوانتومی را پیش‌بینی می‌کند و تاثیر نقص داخلی را در نظر می‌گیرد.
تیم ابتدا بررسی کرد که چگونه جریان الکترون‌ها بر تنوع داخلی در دستگاه کوانتومی تاثیر می‌گذارند. با استفاده از این دانش، آن‌ها یک مدل ساختند که از جریان الکترون‌ها استفاده می‌کند تا ویژگی‌های نقص داخلی را پیش‌بینی کرده و امکان پیش‌بینی دقیق‌تری از رفتار دستگاه‌های کوانتومی فراهم کند.
برای آزمایش مدل خود، پژوهشگران تنظیمات ولتاژ مختلفی را بر روی یک دستگاه نقطه کوانتومی اعمال کردند و جریان خروجی اندازه‌گیری شده را با جریان理وری بدون نقص داخلی مقایسه کردند. مدل با موفقیت ترتیبیت نقص داخلی بیشترین احتمال را تعیین کرد و نقش تنوع بین دستگاه‌های کوانتومی را روشن کرد.
این پیشرفت تاثیر چشمگیری در زمینه محاسبات کوانتومی دارد. با پیش‌بینی دقیق مقادیر جریان برای تنظیمات ولتاژ مختلف، پژوهشگران می‌توانند نقص‌های مادی را بهتر درک کرده و مدل‌های دقیق‌تری برای دستگاه‌های کوانتومی ایجاد کنند. در نهایت، این ایجاد یک پیوند بین دنیای ایده‌آل فیزیک کوانتومی و ساخت واقع‌گرایانه دستگاه‌های کوانتومی را فراهم می‌آورد.
اگرچه این مدل یک پیشرفت عمده است، اما محدودیت‌هایی نیز دارد. آن توانایی کامل در تجسم پیچیدگی دستگاه‌های کوانتومی واقعی را ندارد. با این حال، پژوهشگران پشت این مطالعه متعهد به بهبود مدل و پرداختن به این نقص‌ها هستند.
این تحقیق یک گام مهم در راه حل مشکلات تنوع عملکرد و ارتقای عملکرد دستگاه‌های کوانتومی است. با کامل‌تر شدن، این مدل یادگیری ماشین بر مبنای فیزیک می‌تواند ظرفیت بسیاری را در زمینه محاسبات کوانتومی به ارمغان بیاورد و امکانات جدیدی را برای کاربردهای پیشرفته مانند مدل‌سازی آب‌وهوا، مالی و کشف دارو فراهم کند.
The source of the article is from the blog shakirabrasil.info