Une équipe de chercheurs de l’Université d’Oxford a réalisé des progrès significatifs dans la résolution d’un problème de longue date dans les dispositifs quantiques grâce à l’utilisation de l’apprentissage automatique. Les dispositifs quantiques, qui ont le potentiel de révolutionner divers domaines tels que la modélisation du climat et la découverte de médicaments, souffrent souvent d’une variabilité inhérente, où des unités en apparence identiques présentent différents comportements. On pense que cette variabilité est causée par des imperfections à l’échelle nanométrique des matériaux des dispositifs.
Dans le but de combler l’écart entre le comportement prédit et observé dans les dispositifs quantiques, l’équipe de recherche a utilisé une approche d’apprentissage automatique basée sur la physique. En analysant le flux d’électrons à travers les dispositifs et en déduisant les modèles de désordre interne indirectement, ils ont pu combler le « fossé de la réalité ». Cette approche, comparée à un jeu de « mini-golf fou » où les mouvements de la balle peuvent être prédits avec de l’entraînement et une collecte de données, a permis aux chercheurs de faire des prédictions plus précises sur les performances des dispositifs.
Les chercheurs ont mesuré le courant de sortie de chaque dispositif à quantum dot à différents réglages de tension et ont utilisé ces données pour contraindre une simulation. La simulation calculait la différence entre le courant mesuré et le courant théorique sans désordre interne, permettant aux chercheurs de trouver des profils de désordre interne appropriés qui pourraient expliquer les mesures. Cette combinaison d’approches mathématiques, statistiques et d’apprentissage approfondi s’est avérée efficace pour prédire les réglages de tension des régimes de fonctionnement spécifiques des dispositifs.
De plus, le nouveau modèle développé par l’équipe de recherche offre un moyen de quantifier la variabilité entre les dispositifs quantiques. Cette avancée pourrait conduire à des prédictions plus précises des performances des dispositifs et faciliter l’ingénierie de matériaux optimaux pour les dispositifs quantiques. Le modèle offre également des informations sur les approches de compensation pour atténuer les effets des imperfections matérielles.
Dans l’ensemble, cette étude représente une avancée significative dans l’utilisation de l’apprentissage automatique pour surmonter les obstacles posés par la variabilité des dispositifs quantiques. Grâce à des recherches et des développements supplémentaires, cette approche pourrait contribuer à l’adoption et à l’utilisation généralisée de la technologie de l’informatique quantique dans divers secteurs.
The source of the article is from the blog windowsvistamagazine.es