تیمی از پژوهشگران دانشگاه آکسفورد با استفاده از یادگیری ماشین، گامی قابل توجه در حل چالشی که در اجزای کوانتومی وجود دارد برداشته‌اند. اجزای کوانتومی که قابلیت ثورت‌زنی در حوزه‌های مختلفی از جمله مدلسازی اقلیم و کشف دارو دارند، اغلب به دلیل تفاوت‌های ذاتی با یکدیگر، مشکلاتی را پدید می‌آورند. این تفاوت‌ها از طریق ناهمسان‌گرایی‌های نانومقیاس در مواد اجزای کوانتومی بوجود می‌آیند.
با تلاشی برای پل شدن فاصله بین رفتار پیش‌بینی شده و رصد شده در اجزای کوانتومی، تیم پژوهشی از رویکرد یادگیری ماشین در فیزیک بهره بردند. با تحلیل جریان الکترون‌ها از طریق اجزای کوانتومی و استنتاج الگوهای اختلال داخلی از طریق روش غیرمستقیم، آن‌ها توانستند فاصله واقعیت را کاهش دهند. این رویکرد، مشابه بازی “گانف بی‌هوده” است که با تمرین و جمع‌آوری داده‌ها می‌توان جابجایی توپ را پیش‌بینی کرد، به این تیم پژوهشگران این امکان را می‌دهد تا پیش‌بینی‌های دقیق‌تری در مورد عملکرد اجزای کوانتومی بدهند.
پژوهشگران جریان خروجی دستگاه‌های نقطه کوانتومی را در تنظیمات ولتاژ مختلف اندازه گرفتند و از این داده‌ها برای محدودسازی یک شبیه‌سازی استفاده کردند. این شبیه‌سازی اختلاف بین جریان اندازه‌گیری شده و جریان نظری بدون ناهمسانگرایی داخلی را محاسبه کرد که به پژوهشگران امکان می‌دهد الگوهای اختلال داخلی مناسبی را پیدا کنند که توانایی توضیح دادن به اندازه واقعیت باشند. این ترکیب از رویکردهای ریاضی، آماری و یادگیری عمیق در پیش‌بینی تنظیمات ولتاژ برای حالات خاص عملکرد دستگاه مؤثر ثابت شد.
علاوه بر این، مدل جدیدی که توسط تیم پژوهشی توسعه داده شده است، امکان اندازه‌گیری تفاوت‌ها بین اجزای کوانتومی را فراهم می‌کند. این پیشرفت می‌تواند منجر به پیش‌بینی‌های دقیق‌تر عملکرد دستگاه‌ها شود و در مهندسی مواد بهینه برای اجزای کوانتومی به کمک بیاید. همچنین مدل، برداشت‌هایی درباره رویارویی با عوارض ناشی از ناهمسانگرایی مواد به ارمغان می‌آورد.
در کل، این مطالعه یک گام مهم به جلو در بهره‌برداری از قدرت یادگیری ماشین برای رفع موانع موجود در اجزای کوانتومی است. با ادامه پژوهش و توسعه، این رویکرد می‌تواند به رایج شدن و استفاده گسترده از فناوری محاسبات کوانتومی در صنایع مختلف کمک کند.
The source of the article is from the blog publicsectortravel.org.uk