.
Um grupo de pesquisadores demonstrou com sucesso o reconhecimento automático do estado de carga em dispositivos de pontos quânticos usando técnicas de aprendizado de máquina, o que representa um passo significativo em direção à automação da preparação e do ajuste de bits quânticos (qubits) para processamento de informações quânticas.
Qubits semicondutores usam materiais semicondutores para criar bits quânticos. Esses materiais são comuns na eletrônica tradicional, tornando-os integráveis com a tecnologia convencional de semicondutores. Essa compatibilidade é o motivo pelo qual os cientistas os consideram fortes candidatos para futuros qubits na busca para realizar computadores quânticos.
Em qubits de spin semicondutores, o estado de spin de um elétron confinado em um ponto quântico serve como a unidade fundamental de dados, ou o qubit. A formação desses estados de qubit requer o ajuste de vários parâmetros, como a voltagem do gate, algo realizado por especialistas humanos.
No entanto, conforme o número de qubits cresce, o ajuste se torna mais complexo devido ao número excessivo de parâmetros. Quando se trata de realizar computadores de larga escala, isso se torna problemático.
“Para superar isso, desenvolvemos um meio de automatizar a estimativa de estados de carga em pontos quânticos duplos, crucial para criar qubits de spin onde cada ponto quântico abriga um elétron”, ressalta Tomohiro Otsuka, professor associado do Instituto Avançado de Pesquisa de Materiais da Universidade de Tohoku (WPI-AIMR).
Usando um sensor de carga, Otsuka e sua equipe obtiveram diagramas de estabilidade de carga para identificar combinações ideais de tensão de porta, garantindo a presença de precisamente um elétron por ponto. A automatização deste processo de ajuste exigiu o desenvolvimento de um estimador capaz de classificar os estados de carga com base nas variações nas linhas de transição de carga dentro do diagrama de estabilidade.
Para construir esse estimador, os pesquisadores empregaram uma rede neural convolucional (CNN) treinada em dados preparados usando um modelo de simulação leve: o modelo Constant Interaction (modelo CI). Técnicas de pré-processamento aprimoraram a simplicidade dos dados e a robustez do ruído, otimizando a capacidade da CNN de classificar com precisão os estados de carga.
Ao testar o estimador com dados experimentais, os resultados iniciais mostraram uma estimativa eficaz da maioria dos estados de carga, embora alguns estados tenham exibido taxas de erro mais altas. Para resolver isso, os pesquisadores utilizaram a visualização Grad-CAM para descobrir padrões de tomada de decisão dentro do estimador. Eles identificaram que os erros eram frequentemente atribuídos a ruído conectado por coincidência, mal interpretado como linhas de transição de carga. Ao ajustar os dados de treinamento e refinar a estrutura do estimador, os pesquisadores melhoraram significativamente a precisão para estados de carga anteriormente propensos a erros, mantendo o alto desempenho para outros.
“Utilizar este estimador significa que os parâmetros para qubits de spin semicondutores podem ser ajustados automaticamente, algo necessário se quisermos aumentar a escala dos computadores quânticos”, acrescenta Otsuka. “Além disso, ao visualizar a base de decisão previamente em caixa preta, demonstramos que ela pode servir como uma diretriz para melhorar o desempenho do estimador.”
Detalhes da pesquisa foram publicados na revista Aprendizado de Máquina APL em 15 de abril de 2024.
.
