机器学习自动测量和控制QUBITS

由施加到纳米结构的电压定义的潜在景观的艺术例证，以捕获量子点中的单电子。

量子点中的电子旋转电子旋转可以用作量子计算机的最小信息单元。来自牛津大学，巴塞尔和兰开斯特的科学家开发了一种可用于自动测量量子点的算法。在Nature-Family Journal NPJ量子信息中写作，他们描述了如何在机器学习的帮助下通过四个倍数来加速这一非常耗时的过程。因此，它们对Qubits的自动测量和控制的方法表示朝向其大规模应用的关键步骤。

几年来，量子点中的电子旋转电子旋转被识别为量子计算机中最小信息单元的理想候选者，否则被称为量子位。

通过施加的电压控制

在由层状半导体材料制成的量子点中，近渗透陷阱，以便说话。它们的旋转可以可靠地确定并快速切换，研究人员通过将电压施加到疏水阀内的各种纳米结构来控制电子。除此之外，这允许它们通过隧道效应来控制多个电子从储存器进入量子点。这里，即使电压的小变化也具有相当大的影响电子。

对于每个量子点，因此必须仔细地调谐施加的电压以实现最佳条件。当组合几个量子点以将设备缩放到大量QUBITS时，该调谐过程变得非常耗费耗时，因为半导体量子点不完全相同并且必须均匀地表征。

自动化归功于机器学习

现在，来自牛津，巴塞尔和兰开斯特大学的科学家开发了一种可以帮助自动化此过程的算法。与传统数据采集相比，它们的机器学习方法将测量时间和测量值减小了大约四个。

“通过这项工作，我们已经为大规模Qubit架构提供了关键贡献。” - DominikZumbühl博士教授

首先，科学家们将机器与流过不同电压流过量子点的电流的数据训练。与面部识别技术一样，该软件逐渐学习，其中需要进一步测量以实现最大信息增益。然后系统执行这些测量并重复该过程，直到根据预定义标准实现有效表征，并且量子点可以用作QUBET。

“我们首次应用了机器学习，在砷化镓量子点中进行有效测量，从而允许表征大量的量子器件阵列，”牛津大学纳西博士说。“我们实验室的下一步现在将软件应用于由其他材料制成的半导体量子点，这些材料更适合于Quantum Computer开发，”来自物理系和瑞士纳米科学研究所的教授DominikZumbühl博士在巴塞尔大学。“通过这项工作，我们已经为大规模Qubit架构提供了关键贡献。”

参考：“使用机器学习有效地测量量子设备”，由D.T. Lennon，H. Moony，L.C。Camenennind，刘琪宇，下午Zumbuhl，G.A.D.Briggs，M.A. Osborne，E.A.Laird和N. Ares，2019年9月26日，NPJ量子信息.DOI：
10.1038 / s41534-019-0193-4