Der Elektronenspin einzelner Elektronen in Quantenpunkten könnte als die kleinste Informationseinheit eines Quantencomputers dienen. Die Wissenschaftler beschreiben im Journal npj Quantum Information, wie sie diesen extrem zeitaufwändigen Prozess mithilfe des maschinellen Lernens stark beschleunigen können. Ihr Ansatz zur automatischen Messung und Kontrolle von Qubits repräsentiert einen wichtigen Schritt vorwärts in Richtung großräumiger Anwendungen.
Dr. Natalia Ares vom Department of Materials an der University of Oxford sagte: „Zum ersten Mal haben wir maschinelles Lernen angewandt, um effiziente Messungen in Galliumarsenid-Quantenpunkten vorzunehmen, was die Charakterisierung großer Netzwerke aus Quantengeräten erlaubt.“
Professor Dr. Dominik Zumbühl von der Universität Basel sagte: „Der nächste Schritt in unserem Labor besteht jetzt darin, die Software auf Halbleiterquantenpunkte aus anderen Materialien anzuwenden, die besser für die Entwicklung eines Quantencomputers geeignet sind. Mit dieser Arbeit haben wir einen wichtigen Beitrag geleistet, der den Weg für großräumige Qubit-Architekturen ebnen wird.“
Seit mehreren Jahren gilt der Elektronenspin einzelner Elektronen in einem Quantenpunkt als idealer Kandidat für die kleinste Informationseinheit in einem Quantencomputer, auch bekannt als Qubit.
In Quantenpunkten aus geschichteten Halbleitermaterialien werden einzelne Elektronen sozusagen in einer Falle gefangen. Ihre Spins können zuverlässig bestimmt und schnell gewechselt werden, wobei die Forscher sie durch die Anlegung von Spannungen an den verschiedenen Nanostrukturen innerhalb der Falle unter Kontrolle halten. Das erlaubt ihnen unter anderem die Steuerung dessen, wie viele Elektronen aus einem Reservoir via Tunneleffekte in den Quantenpunkt eintreten. Hier haben sogar geringe Veränderungen der Spannung einen beträchtlichen Einfluss auf die Elektronen.
Für jeden Quantenpunkt müssen die angelegten Spannungen sorgfältig angepasst werden, um die optimalen Bedingungen zu erreichen. Wenn verschiedene Quantenpunkte kombiniert werden, um in dem Gerät zu einer großen Anzahl von Qubits zusammengeschaltet zu werden, wird dieser Abstimmungsprozess extrem zeitaufwändig, weil die Halbleiter-Quantenpunkte nicht ganz identisch sind und individuell charakterisiert werden müssen.
Dieser bahnbrechende Algorithmus wird helfen, den Prozess zu automatisieren. Der Ansatz der Wissenschaftler mittels maschinellem Lernen reduziert die Messzeit und die Anzahl der Messungen in Vergleich zur herkömmlichen Datenerhebung.
Die Wissenschaftler haben die Maschine mit Daten über den aktuellen Quantenpunktdurchfluss bei unterschiedlichen Spannungen trainiert. Wie die Gesichtserkennungstechnologie lernt die Software langsam, wo weitere Messungen benötigt werden, wobei sie die maximale Informationsausbeute im Blick hat. Das System führt dann diese Messungen durch und wiederholt den Prozess, bis anhand voreingestellter Kriterien eine effektive Charakterisierung vorliegt und der Quantenpunkt als Qubit verwendet werden kann.
(THK)
Antworten