Aprendizado de máquina de Spin Qubits de semicondutores

por Amara Graps

Medindo Qubits de Spin de Semicondutores

Este artigo começa com uma mensagem de medição,

Nós a necessidade essas técnicas de aprendizado de máquina para acelerar a medição desses dispositivos quânticos.

mencionado por Natalia Ares (Professora, Universidade de Oxford), no painel de discussão: Desafios ao ir para 1000 qubits. O painel de 14 de junho de 2022 fez parte do Quantum Technology User Meeting 2022 de três dias em Munique, uma conferência sobre tecnologia quântica. Confira nosso artigo QCR sobre o ecossistema de tecnologia quântica da Alemanha aqui. O painel consistiu em um grupo de líderes de tecnologia quântica de empresas que vendem hardware de controle quântico, computadores quânticos supercondutores ou fotônicos ou software de aprendizado de máquina quântica. A equipe foi liderada por Sadik Hafizovic, CEO da Zurich Instruments.

Para contextualizar a mensagem de Natalia Ares, embutida em todo o assunto da mecânica quântica está uma questão dupla:

• O que a IA pode fazer com a tecnologia quântica?
• O que a tecnologia quântica pode fazer pela IA?

À medida que a equipe de Ares aplicava o aprendizado de máquina para controlar dispositivos quânticos em tempo real, ele respondia à primeira pergunta dupla. O tema do painel de desafio foi: “Se alguém quiser chegar a 1.000 qubits, não poderá fazê-lo sem aprendizado de máquina”.

Suas contribuições para esse painel foram o guia perfeito para sua apresentação detalhada de uma hora: Controle de dispositivos quânticos baseado em aprendizado de máquina na mesma reunião de 2022 sobre o trabalho de seu grupo para melhorar o desempenho de qubit. Seu grupo trabalha com qubits de diversas maneiras: armadilhas de íons, supercondutores e qubits de spin semicondutores, o que levou a uma empresa spin-off: QuantrolOx. O QCR da GQI entrevistou o CEO da QuantrolOx: Vishal Chatrath em 2023, e escrevemos um Relatório Focus focado na empresa no Midstack, que explicaremos em breve. Na apresentação de Natalia Ares ela se concentrou no qubit mais recente: qubits de spin semicondutores.

Etapas para desenvolver algoritmos de aprendizado de máquina

Ares explicou como seus métodos algorítmicos mudaram de No Deep Learning, porque não havia dados suficientes, para métodos de Deep Learning, à medida que mais dados eram obtidos. O desenvolvimento de seu algoritmo utilizou etapas, conforme visto na figura a seguir.

As etapas necessárias são:

Passo 1: “Tune” O passo de afinação mais grosseiro.

• Lendo as tensões de uma porta em comparação com outra.
• O algoritmo precisa representar multidimensões.
• Navegue e selecione locais candidatos.

Etapa 2 de novo Etapa 3: “Personagem”

• Aprendizagem por Reforço Profundo.
• Certas ações (por exemplo, tensões de porta) têm certas recompensas.
• Caracterização dessas etapas

Etapa 4: “Confirmar”

• Primeira verificação em tempo real
• Pontuação (use rede neural)
• Selecione tensões de porta
• Execute as seguintes verificações em tempo real

Etapa 5: “Fique bem”

Aprendizado de máquina em 2024 para Spin Qubits de semicondutores

Até que ponto os pesquisadores avançaram na aplicação do aprendizado de máquina a qubits de spin semicondutores? Os últimos resultados do grupo liderado pela Austrália da Universidade de Nova Gales do Sul, Diraq, Universidade de Sydney, Universidade Simon Fraser, Leibniz-Institut für Kristallzüchtung, VITCON Projectconsult e seu grupo de Oxford, por Huang et al., 2024: Alto O desempenho do qubit de spin de fidelidade e a implementação algorítmica acima de 1K abordam um dos desafios desses qubits de spin semicondutores à medida que esses qubits medem:

Este desenvolvimento supera a limitação fundamental de que a energia térmica deve estar bem abaixo da energia do qubit para que a operação de alta fidelidade seja possível, superando o principal obstáculo no caminho para a computação quântica que seja escalável e tolerante a falhas.

Sua pesquisa sugere que as técnicas de aprendizado de máquina podem ser aplicadas de forma eficaz diretamente no FPGA para melhorar a medição e automação em tempo real do protocolo de implementação. Aprendizado de máquina quântica, em suas pesquisas:

• O aprendizado de máquina é usado para analisar o erro de SPAM (Escala de Preparação e Estado), sugerindo aumento de estatísticas em múltiplas medições. Isso envolve o uso de um modelo oculto de Markov (HMM) para descrever uma série de medições e considerar os estados de spin subjacentes.
• O algoritmo Baum-Welch, uma técnica de aprendizado de máquina, é utilizado para maximizar a expectativa de ajuste dos parâmetros HMM, o que auxilia no cálculo da incerteza nesses parâmetros.
• O aprendizado de máquina auxilia na reconstrução da probabilidade de mudança de estado durante cada ciclo de aprendizagem, o que melhora a confiabilidade do processo de implementação algorítmica.

Aprendizado de máquina em computação quântica Midstack

Na visão da GQI do Quantum Tech Stack, é no Quantum Computing Midstack que entram em jogo abordagens de aprendizado de máquina para controle em tempo real de computadores qubit de spin semicondutores.

No Relatório Midstack de Computação Quântica da GQI

patrocinado pela QuantrolOx, o importante canal entre qubits e algoritmos é destacado em sua complexidade. Ao longo do caminho, o relatório mostra onde as técnicas de aprendizado de máquina podem fornecer estratégias de otimização, protocolos de correção de erros e técnicas de supressão de erros. A autoridade QuantrolOx automatiza a área crítica de controle qubit e completa o controle quântico. Eles têm uma estratégia colaborativa, por exemplo: veja o anúncio da primavera de 2024 com a Zurich Instruments, que visa expandir além dos qubits supercondutores para o spin do silício, centros de diamante NV e átomos neutros e aprisionados em íons. GQI com o relatório Midstack de computação quântica de 63 páginas da QuantrolOx determina a complexidade que caracteriza as camadas Midstack: mitigação de erros, otimização, correção de erros, lógica de controle. A Arquitetura Midstack da Quantum Computing também foi lançada, mostrando sua funcionalidade e camadas. Este relatório cobre os desenvolvimentos do Midstack que vale a pena assistir. O papel da Midstack no desenvolvimento de aplicações de computação quântica é abordado em Cronogramas de aplicações de algoritmos quânticos. Por fim, é fornecida a análise do mercado Quantum Midstack.Se você estiver interessado, não hesite em entrar em contato

[email protected]