Novo estudo usa aprendizado de máquina para preencher a lacuna da realidade em dispositivos quânticos
(a) Geometria do dispositivo incluindo os eletrodos de porta (rotulados G1 – G8), plano de íon doador e um exemplo de potencial de desordem experimentado por elétrons confinados. O fluxo típico de corrente da fonte ao dreno é indicado pela seta branca. (b) Esquema do processo de inferência de desordem. As cores indicam o seguinte:vermelho para variáveis experimentalmente controláveis, verde para quantidades relevantes para o modelo eletrostático, azul para dispositivo experimental e amarelo para métodos de aprendizado de máquina. As setas tracejadas representam o processo de geração de dados de treinamento para a aproximação de aprendizagem profunda e não fazem parte do processo de inferência de transtornos. Crédito:Revisão Física X (2024). DOI:10.1103/PhysRevX.14.011001 Um estudo liderado pela Universidade de Oxford usou o poder do aprendizado de máquina para superar um desafio importante que afeta os dispositivos quânticos. Pela primeira vez, as descobertas revelam uma forma de colmatar a “lacuna da realidade”:a diferença entre o comportamento previsto e observado dos dispositivos quânticos. Os resultados foram publicados na Physical Review X .
A computação quântica poderá dinamizar uma grande variedade de aplicações, desde a modelização climática e previsões financeiras até à descoberta de medicamentos e à inteligência artificial. Mas isso exigirá formas eficazes de dimensionar e combinar dispositivos quânticos individuais (também chamados de qubits). Uma grande barreira contra isto é a variabilidade inerente, onde mesmo unidades aparentemente idênticas exibem comportamentos diferentes.
Presume-se que a variabilidade funcional seja causada por imperfeições em nanoescala nos materiais a partir dos quais os dispositivos quânticos são feitos. Como não há como medi-los diretamente, esta desordem interna não pode ser capturada em simulações, levando à lacuna nos resultados previstos e observados.
Para resolver isso, o grupo de pesquisa usou uma abordagem de aprendizado de máquina “informada pela física” para inferir indiretamente essas características do transtorno. Isto foi baseado em como a desordem interna afetou o fluxo de elétrons através do dispositivo.
A pesquisadora principal, professora associada Natalia Ares (Departamento de Ciências da Engenharia da Universidade de Oxford), disse:"Como uma analogia, quando jogamos 'golfe louco', a bola pode entrar em um túnel e sair com uma velocidade ou direção que não corresponde às nossas previsões Mas com mais algumas tacadas, um simulador de golfe maluco e um pouco de aprendizado de máquina, poderemos melhorar a previsão dos movimentos da bola e diminuir a diferença de realidade.”
Os pesquisadores mediram a corrente de saída em um dispositivo individual de pontos quânticos para diferentes configurações de tensão. Os dados foram inseridos em uma simulação, que calculou a diferença entre a corrente medida e a corrente teórica caso não houvesse desordem interna.
Ao medir a corrente em muitas configurações de tensão diferentes, a simulação foi obrigada a encontrar um arranjo de desordem interna que pudesse explicar as medições em todas as configurações de tensão. Esta abordagem combinou abordagens matemáticas e estatísticas juntamente com aprendizagem profunda.
O professor associado Ares acrescentou:"Na analogia do golfe louco, seria equivalente a colocar uma série de sensores ao longo do túnel, para que pudéssemos medir a velocidade da bola em diferentes pontos. Embora ainda não possamos ver o interior do túnel , podemos usar os dados para fornecer melhores previsões sobre como a bola se comportará quando fizermos o arremesso."
O novo modelo não apenas encontrou perfis de desordem interna adequados para descrever os valores de corrente medidos, mas também pôde prever com precisão as configurações de tensão necessárias para regimes operacionais de dispositivos específicos.
O modelo fornece um novo método para quantificar a variabilidade entre dispositivos quânticos. Isso poderia permitir previsões mais precisas sobre o desempenho dos dispositivos e ajudar a projetar materiais ideais para dispositivos quânticos. Poderia informar abordagens de compensação para mitigar os efeitos indesejados de imperfeições materiais em dispositivos quânticos.
Coautor David Craig, Ph.D. estudante do Departamento de Materiais da Universidade de Oxford, acrescentou:"Semelhante a como não podemos observar buracos negros diretamente, mas inferimos sua presença a partir de seu efeito na matéria circundante, usamos medições simples como um proxy para a variabilidade interna do quantum em nanoescala dispositivos."
“Embora o dispositivo real ainda tenha uma complexidade maior do que o modelo pode capturar, nosso estudo demonstrou a utilidade de usar o aprendizado de máquina com consciência da física para diminuir a lacuna da realidade”.
Mais informações: D. L. Craig et al, Bridging the Reality Gap in Quantum Devices with Physics-Aware Machine Learning, Physical Review X (2024). DOI:10.1103/PhysRevX.14.011001 Informações do diário: Revisão Física X
