Uma equipe de pesquisa desenvolveu um modelo de aprendizado de máquina para lidar com a variabilidade em dispositivos quânticos causada por imperfeições materiais. Ao analisar o fluxo de elétrons, a equipe inferiu padrões de desordem interna, melhorando as previsões do desempenho do dispositivo quântico e orientando a otimização do material. Crédito: SciTechDaily.com
Um estudo liderado pelo Universidade de Oxford usou o poder de 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 em Revisão Física 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.
A causa da variabilidade em dispositivos quânticos
Presume-se que a variabilidade funcional seja causada por nanoescala imperfeições nos materiais de que 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 analogia do “golfe louco”
A pesquisadora principal, Professora Associada Natalia Ares (Departamento de Ciências da Engenharia, Universidade de Oxford), disse: “Como 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 para diferentes configurações de tensão em um dispositivo individual de pontos quânticos. 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. Essa abordagem usou uma combinação de abordagens matemáticas e estatísticas aliadas ao aprendizado profundo.
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 foi capaz de prever com precisão as configurações de tensão necessárias para regimes operacionais de dispositivos específicos.
Implicações para a engenharia de dispositivos quânticos
Crucialmente, 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 também ajudar a projetar materiais ideais para dispositivos quânticos. Poderia informar abordagens de compensação para mitigar os efeitos indesejados de imperfeições materiais em dispositivos quânticos.
O coautor David Craig, estudante de doutorado no Departamento de Materiais da Universidade de Oxford, acrescentou: “Da mesma forma que 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 de dispositivos quânticos em nanoescala. 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.”
Referência: “Preenchendo a lacuna da realidade em dispositivos quânticos com aprendizado de máquina consciente da física” por DL Craig, H. Moon, F. Fedele, DT Lennon, B. van Straaten, F. Vigneau, LC Camenzind, DM Zumbühl, GAD Briggs, MA Osborne, D. Sejdinovic e N. Ares, 4 de janeiro de 2024, Revisão Física X.
DOI: 10.1103/PhysRevX.14.011001
