来自牛津大学的研究团队通过使用机器学习在解决量子器件长期存在的挑战方面取得了显著进展。量子器件具有改变气候建模和药物发现等多个领域的潜力，但往往受到固有的变异性的影响，即表面相似的单位展现出不同的行为。这种变异性据信是由于器件材料中的纳米级瑕疵引起的。
为了缩小量子器件预测和观察行为之间的差距，研究团队采用了一种基于物理知识的机器学习方法。通过分析电子在器件中的流动以及间接推断内部无序性模式，他们能够弥合“现实差距”。这种方法类似于“疯狂高尔夫”，可以通过练习和数据收集来预测球的移动，从而使研究人员能够更准确地预测器件的性能。
研究人员测量了单个量子点器件在不同电压设置下的输出电流，并使用这些数据约束了一个模拟。该模拟计算了测量电流与不存在内部无序性的理论电流之间的差异，使研究人员能够找到能够解释测量结果的合适的内部无序性模式。这种数学、统计和深度学习方法的结合在预测特定设备工作状态的电压设置方面证明了其有效性。
此外，研究团队开发的新模型提供了一种量化量子器件之间变异性的方法。这一进展可能导致更准确的器件性能预测，并有助于优化量子器件的材料工程。该模型还提供了补偿方法的洞察，以减轻材料缺陷的影响。
总的来说，这项研究在利用机器学习克服量子器件变异性方面迈出了重要的一步。通过进一步的研究和开发，这种方法有望为各个行业广泛采用和利用量子计算技术做出贡献。
The source of the article is from the blog motopaddock.nl