借助神經(jīng)網(wǎng)絡(luò)來擴(kuò)大量子計(jì)算機(jī)的應(yīng)用規(guī)模

迄今為止，量子計(jì)算機(jī)的應(yīng)用仍相對有限，但研究人員正在努力嘗試擴(kuò)大其規(guī)模?；诠枇孔游坏目扇蒎e(cuò)量子計(jì)算機(jī)體系結(jié)構(gòu)的一種構(gòu)建方法，是將單個(gè)磷原子放置在 2D 網(wǎng)格上。接著通過納米電子線，控制一兩個(gè)量子比特的邏輯門來執(zhí)行計(jì)算。然而這種方法在很大程度上取決于磷原子晶格點(diǎn)位的數(shù)量級，原子量子點(diǎn)位的不確定性，對其相互作用的破壞性達(dá)到了好幾個(gè)數(shù)量級。

如此一來，將導(dǎo)致兩個(gè)量子位門的運(yùn)算錯(cuò)誤，對給定計(jì)算產(chǎn)生了不準(zhǔn)確的結(jié)果。在大規(guī)模的量子計(jì)算體系結(jié)構(gòu)中，這種影響將呈指數(shù)級放大。

為幫助解決這一問題，2016 年的時(shí)候，墨爾本大學(xué)的研究人員使用了磷原子波函數(shù)的計(jì)算機(jī)掃描隧道顯微鏡（STM）圖像，來確定其在硅上的空間位置。

這允許以單個(gè)晶格來高度精確地找到原子的量子點(diǎn)位，不過下一個(gè)挑戰(zhàn)，就是如何將這種精確的空間定位方法，擴(kuò)大到大規(guī)模、可容錯(cuò)的量子計(jì)算機(jī)體系結(jié)構(gòu)中。

為開發(fā)此框架，研究人員現(xiàn)借助深度學(xué)習(xí)工具，在 10 萬張數(shù)量級的 STM 圖像集上開展卷積神經(jīng)網(wǎng)絡(luò)（CNN）的計(jì)算訓(xùn)練，然后嘗試對 1.76 萬張測試圖像進(jìn)行識別。

結(jié)果發(fā)現(xiàn)，盡管這些圖像帶有真實(shí)環(huán)境中常見的模糊和不對稱造型，卷積神經(jīng)網(wǎng)絡(luò)對測試圖像的分類精度仍超過了 98% 。

實(shí)驗(yàn)證明了這種基于機(jī)器學(xué)習(xí)的技術(shù)能夠以高通量、高精度和最少的人機(jī)交互，來處理量子比特的測量數(shù)據(jù)。

此外，研究表明該技術(shù)具有擴(kuò)大由多個(gè)磷原子組成的量子比特的潛力。在這樣的設(shè)置下，潛在的圖像配置數(shù)量可成倍增加。

研究團(tuán)隊(duì)表示，這種基于機(jī)器學(xué)習(xí)的技術(shù)，能夠在可容錯(cuò)的通用型量子計(jì)算機(jī)的開發(fā)商發(fā)揮關(guān)鍵作用，這也是全世界研究人員的終極目標(biāo)。

有關(guān)這項(xiàng)研究的詳情，已經(jīng)發(fā)表在近日出版的《自然》（Nature）期刊上，原標(biāo)題為：《Framework for atomic-level characterisation of quantum computer arrays by machine learning》。