Une étude menée par le Université d’Oxford a utilisé le pouvoir de apprentissage automatique pour surmonter un défi majeur affectant les dispositifs quantiques. Pour la première fois, les résultats révèlent un moyen de combler le « fossé de la réalité » : la différence entre le comportement prédit et observé à partir des dispositifs quantiques. Les résultats ont été publiés dans Examen physique X.
L’informatique quantique pourrait dynamiser une multitude d’applications, depuis la modélisation climatique et les prévisions financières jusqu’à la découverte de médicaments et l’intelligence artificielle. Mais cela nécessitera des moyens efficaces de faire évoluer et de combiner des dispositifs quantiques individuels (également appelés qubits). Un obstacle majeur à cette situation est la variabilité inhérente : même des unités apparemment identiques présentent des comportements différents.
La cause de la variabilité dans les appareils quantiques
La variabilité fonctionnelle est présumée être causée par à l’échelle nanométrique imperfections dans les matériaux à partir desquels les appareils quantiques sont fabriqués. Puisqu’il n’existe aucun moyen de les mesurer directement, ce désordre interne ne peut pas être capturé dans les simulations, ce qui entraîne un écart entre les résultats prédits et observés.
Pour résoudre ce problème, le groupe de recherche a utilisé une approche d’apprentissage automatique « fondée sur la physique » pour déduire indirectement les caractéristiques de ces troubles. Cela était basé sur la façon dont le désordre interne affectait le flux d’électrons à travers l’appareil.
L’analogie du « golf fou »
La chercheuse principale Natalia Ares (Département des sciences de l’ingénierie, Université d’Oxford) a déclaré : « Par analogie, lorsque nous jouons au « golf fou », la balle peut entrer dans un tunnel et sortir avec une vitesse ou une direction qui ne correspond pas à nos prédictions. . Mais avec quelques coups supplémentaires, un simulateur de golf fou et un peu d’apprentissage automatique, nous pourrions mieux prédire les mouvements de la balle et réduire l’écart avec la réalité.
Les chercheurs ont mesuré le courant de sortie pour différents réglages de tension aux bornes d’un dispositif à points quantiques individuel. Les données ont été entrées dans une simulation qui calculait la différence entre le courant mesuré et le courant théorique si aucun désordre interne n’était présent. En mesurant le courant à de nombreux réglages de tension différents, la simulation a été contrainte de trouver un arrangement de désordre interne pouvant expliquer les mesures à tous les réglages de tension. Cette approche utilisait une combinaison d’approches mathématiques et statistiques couplées à un apprentissage profond.
Le professeur agrégé Ares a ajouté : « Dans l’analogie du golf fou, cela équivaudrait à placer une série de capteurs le long du tunnel, afin que nous puissions prendre des mesures de la vitesse de la balle à différents points. Même si nous ne pouvons toujours pas voir l’intérieur du tunnel, nous pouvons utiliser les données pour mieux prédire le comportement du ballon lorsque nous tirons.
Non seulement le nouveau modèle a trouvé des profils de désordre interne appropriés pour décrire les valeurs de courant mesurées, mais il a également pu prédire avec précision les réglages de tension requis pour les régimes de fonctionnement spécifiques des appareils.
Implications pour l’ingénierie des dispositifs quantiques
Surtout, le modèle fournit une nouvelle méthode pour quantifier la variabilité entre les dispositifs quantiques. Cela pourrait permettre des prévisions plus précises sur les performances des appareils et aider également à concevoir des matériaux optimaux pour les appareils quantiques. Cela pourrait éclairer les approches de compensation pour atténuer les effets indésirables des imperfections matérielles des dispositifs quantiques.
Le co-auteur David Craig, doctorant au Département des matériaux de l’Université d’Oxford, a ajouté : « De la même manière que nous ne pouvons pas observer directement les trous noirs, mais que nous déduisons leur présence de leur effet sur la matière environnante, nous avons utilisé des mesures simples comme un proxy de la variabilité interne des dispositifs quantiques à l’échelle nanométrique. Bien que le dispositif réel soit encore plus complexe que ce que le modèle peut capturer, notre étude a démontré l’utilité de l’utilisation de l’apprentissage automatique sensible à la physique pour réduire l’écart avec la réalité.