Los dispositivos cuánticos son aquellos que se basan en los principios de la mecánica cuántica y realizan tareas que no son factibles mediante métodos clásicos. Son útiles en muchos campos, incluidos los modelos climáticos, las finanzas y el descubrimiento de fármacos. Con el crecimiento del aprendizaje automático, los investigadores han comenzado a utilizar el aprendizaje automático en dispositivos cuánticos. Sin embargo, es necesario descubrir la escala eficiente y la combinación de dispositivos cuánticos individuales. El mayor problema es la variabilidad funcional, que resulta de dispositivos cuánticos aparentemente idénticos que se comportan de manera diferente debido a fallas materiales en la nanoescala. Estas imperfecciones conducen a discrepancias entre los resultados previstos y los reales.
En consecuencia, un equipo de investigadores de la Universidad de Oxford ha utilizado el aprendizaje automático para solucionar esta limitación. Estudiaron cómo el flujo de electrones en el dispositivo cuántico influye en el desorden interno. Luego, desarrollaron un modelo de aprendizaje automático basado en la física y utilizaron la forma en que los electrones fluyen a través de dispositivos cuánticos para inferir las características del desorden interno. Esto les permitió formular un modelo que podría anticipar el comportamiento de los dispositivos cuánticos con mayor precisión.
Luego, los investigadores probaron el modelo en un dispositivo de puntos cuánticos. Para ello, aplicaron diferentes ajustes de voltaje al modelo. Midieron la corriente de salida y luego usaron estas mediciones para compararlas con la corriente teórica sin ningún desorden interno. El modelo determinó el arreglo de desorden interno más probable que puede causar tales diferencias.
Los investigadores enfatizaron que este modelo puede ser muy útil ya que puede predecir con precisión los valores actuales para varios ajustes de voltaje y proporcionar información sobre la variabilidad entre dispositivos cuánticos. Esta información es muy útil para que los investigadores creen estrategias para compensar las imperfecciones materiales y crear modelos más precisos para dispositivos cuánticos.
El modelo es importante para reducir la brecha entre teoría y práctica. Uno de los investigadores del equipo enfatizó que este modelo de aprendizaje automático puede ayudar a cerrar la brecha entre el mundo idealizado de la mecánica cuántica y la construcción realista de dispositivos cuánticos. Sin embargo, aunque el modelo es muy útil, todavía tiene algunas imperfecciones. Tiene limitaciones para capturar completamente la complejidad de los dispositivos cuánticos del mundo real.
En conclusión, este modelo desarrollado por el equipo de Oxford es importante para superar uno de los mayores desafíos de la computación cuántica: la variabilidad funcional causada por la imperfección a nanoescala. Además, este modelo de aprendizaje automático basado en la física tiene una poderosa herramienta para tener en cuenta las variaciones. Mientras los investigadores buscan hacer que este sistema sea más eficiente y abordar las imperfecciones, el modelo puede ser significativamente útil en el dominio de los dispositivos cuánticos.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo. Unirse nuestro SubReddit de 36k+ ML, 41k+ comunidad de Facebook, Canal de discordiay LinkedIn Grarriba.
Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..
No olvides unirte a nuestro Canal de telegramas
Rachit Ranjan es pasante de consultoría en MarktechPost. Actualmente está cursando su B.Tech en el Instituto Indio de Tecnología (IIT) de Patna. Está dando forma activamente a su carrera en el campo de la inteligencia artificial y la ciencia de datos y le apasiona y se dedica a explorar estos campos.