牛津大学团队使用机器学习方法，来弥合量子设备的现实差距

编辑 | 萝卜皮

现实与模拟之间的差异阻碍了固态量子器件的优化和可扩展性。由不可预测的材料缺陷分布引起的无序是造成现实差距的主要原因之一。

牛津大学的研究团队使用物理感知机器学习来弥补这一差距，特别是使用结合物理模型、深度学习、高斯随机场和贝叶斯推理的方法。

这种方法使科学家能够从电子传输数据推断纳米级电子设备的无序潜力。通过验证算法对 AlGaAs/GaAs 中横向定义的量子点器件所需的栅极电压值的预测来验证这一推论，从而产生与双量子点体系相对应的电流特征。

该研究以「Bridging the Reality Gap in Quantum Devices with Physics-Aware Machine Learning」为题，于 2024 年 1 月 4 日发布在《PHYSICAL REVIEW X》。

人类发现的驱动力之一是预测与观察结果之间的差异；这就是现实差距。

首席研究员、牛津大学工程科学系副教授 Natalia Ares 表示：当玩「疯狂高尔夫」时，球可能会以与玩家预测不符的速度或方向进入和退出隧道。

但通过更多的击球、疯狂的高尔夫模拟器和一些机器学习，人们可能会更好地预测球的运动并缩小现实差距。固态量子器件也存在类似的理解障碍：名义上相同的器件通常会表现出不同的特性。

在这里，牛津大学的研究团队采用机器学习方法来缩小此类设备的现实差距。

具体来说，研究人员考虑通过改变栅极电压来控制通过纳米级器件的电流：由于材料缺陷，看起来相同的器件可以在相同的电压设置下表现出不同的电流行为。这种可变性拉开了模拟预测与现实之间的差距。

这里的物理感知机器学习方法可以弥合这一现实差距，揭示影响他们设备的材料缺陷的隐藏特征。研究人员使用不同电压设置下的电流的简单测量来通知模拟器。

Ares 补充道：「在疯狂的高尔夫类比中，这相当于沿着隧道放置一系列传感器，这样我们就可以测量不同点的球速。尽管我们仍然看不到隧道内部，但我们可以利用这些数据更好地预测射门时球的表现。」

新模型不仅找到了合适的内部紊乱曲线来描述测量的电流值，而且还可以准确预测特定设备工作状态所需的电压设置。

该模型提供了一种量化量子设备之间变异性的新方法。这可以更准确地预测设备的性能，并帮助设计量子设备的最佳材料。它可以为补偿方法提供信息，从而减轻量子设备中材料缺陷的不良影响。

论文合著者、牛津大学材料系博士生 David Craig 补充道：「类似于我们无法直接观察黑洞，但我们可以根据黑洞对周围物质的影响来推断它们的存在，我们使用简单的测量作为纳米级量子设备内部变异性的代理。」

「尽管真实设备的复杂性仍然高于模型所能捕捉到的，但我们的研究已经证明了使用物理感知机器学习来缩小现实差距的效用。」

论文链接：https://journals.aps.org/prx/abstract/10.1103/PhysRevX.14.011001

相关报道：https://phys.org/news/2024-01-machine-bridge-reality-gap-quantum.html