作者:穆罕默德·奥斯曼博士和墨尔本大学劳埃德·霍伦伯格教授 ,, 电子波函数图形图,其中特征的对称性、亮度和大小与硅晶格中磷原子的位置直接相关
信用:M
奥斯曼/墨尔本大学 量子计算机有望为药物设计、数据科学、天文学和材料化学等领域的复杂问题提供巨大的计算能力,这些问题目前甚至在超级计算机上也难以解决
高技术和战略赌注意味着主要的技术公司以及雄心勃勃的初创企业和政府资助的研究中心都将参与建造世界上第一台通用量子计算机的竞赛
建造量子计算机 与信息以位(0或1)编码的今天的经典计算机相反,量子计算机处理以量子位(量子位)存储的信息
这些是由量子力学物体控制的,比如电子,原子中带负电的粒子
量子态也可以是二进制的,可以放在两种可能性中的一种中,或者同时放在两种可能性中——称为量子叠加——提供了一个指数增长的计算空间,量子位数量不断增加
纠缠进一步增强了这种独特的数据处理能力,纠缠是量子力学的另一个神奇特性,在量子力学中,一个量子位的状态可以在没有任何物理联系的情况下支配另一个量子位的状态,例如,使它们都为1
爱因斯坦称之为“远距离怪异行为”
世界上不同的研究小组正在追求不同种类的量子位,每一种都有自己的好处和局限性
一些量子位提供了潜在的可扩展性,而另一些量子位具有非常长的相干时间,这是量子信息可以被鲁棒地存储的时间
在未来十年,量子计算机将超越物理研究实验室
信用:周康妮/IBM 硅中的量子位非常有前途,因为它们两者都有
因此,这些量子比特是设计和实现大规模量子计算机体系结构的领先者之一
在硅中实现大规模量子计算机体系结构的一种方法是将单个磷原子放置在二维网格上
单个和两个量子位的逻辑运算由纳米电子线网格控制,与传统微电子电路的经典逻辑门有些相似
然而,这个方案的关键是磷原子在硅栅上的超精确定位
挑战 然而,即使采用最先进的制造技术,将磷原子置于硅晶格中的精确位置也是一项极具挑战性的任务
在它们的位置上经常观察到一个原子晶格位置数量级的微小变化,这可能对两个量子位操作的效率产生巨大的影响
这个问题源于硅中磷原子与电子量子位之间的交换相互作用的超灵敏依赖性
交换相互作用是一种基本的量子力学性质,当波函数重叠时,两个亚原子粒子(如电子)可以在真实空间中相互作用,形成干涉图案,就像两个行波在水面上干涉一样
磷原子量子位上的电子之间的交换相互作用可以用来实现快速双量子位门,但是任何未知的变化都会对量子门的精度产生不利影响
像传统计算机中的逻辑门一样,量子门是量子电路的组成部分
艺术家对基于硅中磷原子量子位的大规模量子计算机体系结构的印象
束缚在磷原子上的电子的波函数表现出振荡,并且这些波函数的相长/相消空间重叠导致相互作用的巨大变化,从而在量子门中引入误差
精确磷原子位置的确定可以消除误差,为容错通用量子计算的最终目标铺平道路
信用:M
奥斯曼/墨尔本大学 对于硅中的磷量子位,甚至一个原子晶格位置数量级的量子位原子位置的不确定性也能改变相应的交换相互作用数量级,导致两个量子位门操作的误差
这种在大规模架构上累积的误差,可能会严重阻碍量子电脑的效率,因为量子位元的量子力学性质,会降低任何预期的量子优势
寻找量子位原子的精确坐标 因此,在2016年,我们与新南威尔士大学量子计算和通信技术研究中心合作,开发了一种可以精确定位硅中磷原子位置的技术
这项技术发表在《自然纳米技术》杂志上,它是第一个使用磷原子波函数的计算机扫描隧道显微镜图像来精确定位它们在硅中的空间位置的技术
这些图像是使用一个计算框架计算的,该框架允许利用澳大利亚国家超级计算机设施在帕夫西超级计算中心对数百万个原子进行电子计算
这些计算产生了电子波函数图形的图,其中特征的对称性、亮度和大小与硅晶格中磷原子的位置直接相关,电子被束缚在磷原子周围
电子波函数图形图,其中特征的对称性、亮度和大小与硅晶格中磷原子的位置直接相关
信用:M
奥斯曼/墨尔本大学 事实上,每个施主原子的位置导致一个不同的映射,精确定位量子位原子的位置,被称为空间计量学,具有单个晶格位置的精度
这项技术在单个量子位水平上非常有效
然而,下一个巨大的挑战是建立一个框架,这个框架能够按照通用容错量子计算机的要求,以高速和最少的人与人之间的交互来执行精确的原子空间定位
机器学习 机器学习是一个新兴的研究领域,它正在改变几乎每个研究领域,从医学到图像处理、机器人和材料设计
一个经过仔细训练的机器学习算法可以非常高效地处理非常大的数据集
机器学习的一个分支被称为卷积神经网络(CNN)——一种用于图像识别和分类问题的极其强大的工具
当一个CNN在数千个样本图像上训练时,它可以精确地识别未知图像(包括噪声)并进行分类
认识到支持量子位原子的已建立的空间计量的原理基本上是识别和分类卫星TM图像的特征图,我们决定在计算的扫描隧道显微镜图像上训练一个有线电视网络
这项工作发表在NPJ计算材料杂志上
硅中磷原子量子位的计算机扫描隧道显微镜(STM)图像用于训练卷积神经网络(CNN),能够以精确的原子精度、空间位置和原子计数自主和高通量表征量子位
信用:M
奥斯曼/墨尔本大学 培训涉及100,000个扫描隧道显微镜图像,并为美国有线电视新闻网实现了99%以上的显著学习
然后,我们测试了17600个测试图像的训练有素的美国有线电视新闻网,包括模糊和不对称噪声通常存在于现实环境中
美国有线电视新闻网以98%以上的准确率对测试图像进行了分类,证实了这种基于机器学习的技术可以以高通量、高精度和最少的人机交互来处理量子位测量数据
这项技术也有潜力扩大由一个以上磷原子组成的量子位的规模,其中可能的图像配置数量将呈指数级增长
然而,基于机器学习的框架可以容易地包括任何数量的可能配置
在未来的几年里,随着量子比特数量的增加和量子设备尺寸的增长,通过人工测量来表征量子比特很可能是非常具有挑战性和繁重的
这项工作表明,在这项工作中开发的机器学习技术如何在实现全系统容错通用量子计算机这一方面发挥关键作用,这是全球研究工作的最终目标
来源:由phyica.com整理转载自PH,转载请保留出处和链接!