آخرین اخبار
یادگیری ماشین درهای جدیدی را به روی توسعه‌ی دستگاه‌های کوانتومی باز می‌کند

یادگیری ماشین درهای جدیدی را به روی توسعه‌ی دستگاه‌های کوانتومی باز می‌کند

دانشمندان دانشگاه آکسفورد با همکاری دانشگاه بازل و لنکستر الگوریتمی توسعه داده‌اند که می‌تواند برای اندازه‌گیری خودکار نقاط کوانتومی (quantum dots) مورد استفاده قرار گیرد.

اسپین الکترون‌های منفرد در یک نقطه‌ی کوانتومی، می‌تواند به عنوان کوچکترین واحد اطلاعات در یک کامپیوتر کوانتومی بکار رود. دانشمندان در مجله‌ی npj Quantum Information  توضیح دادند که چگونه توانستند فرایند بسیار زمان‌بر اندازه‌گیری اسپین را با کمک یادگیری ماشین، سرعت ببخشند. رهیافت آن‌ها برای اندازه‌گیری خودکار و کنترل کیوبیت‌ها، گام مهمی به سوی کاربرد بزرگ‌مقیاس آن‌هاست. آن‌ها می‌گویند:

ما برای اولین بار، یادگیری ماشین را به منظور انجام مؤثر اندازه‌گیری نقاط کوانتومی گالیم آرسنید بکار بردیم. در نتیجه این کار، اجازه‌ی تشخیص آرایه‌های بزرگی از دستگاه‌های کوانتومی را می‌دهد. اکنون قدم بعدی اعمال این نرم‌افزار به نقاط کوانتومی نیمه رسانایی است که از مواد دیگری ساخته‌ شده‌اند که با توسعه‌ی کامپیوتر کوانتومی، سازگارترند. این کار می‌تواند راه را برای معماری‌های بزرگ‌مقیاس کیوبیت هموار کند.

چند سالی است که اسپین الکترون‌های منفرد در یک نقطه‌ی کوانتومی، گزینه‌ی ایده‌آلی برای کوچکترین واحد اطلاعات (کیوبیت) در یک کامپیوتر کوانتومی شناخته شده است. در نقاط کوانتومی ساخته‌شده از مواد نیمه رسانای لایه‌لایه، الکترون‌های منفرد به اصطلاح در تله گیر می‌افتند. اسپین آن‌ها می‌تواند به طور مطمئنی تعیین، و به سرعت تعویض شود، در همین زمان پژوهشگران، الکترون‌ها را با اعمال ولتاژ به نانوساختارهای مختلف درون تله کنترل می‌کنند. این کار به آن‌ها اجازه می‌دهد تا تعداد الکترون‌هایی که از منبع، بوسیله‌ی اثرات تونل‌زنی، وارد نقاط کوانتومی می‌شوند را کنترل نمایند. اینجا حتی کوچکترین تغییرات ولتاژ، تاثیر قابل توجهی بر الکترون‌ها دارد.

ولتاژ اعمال شده برای هر نقطه‌ی کوانتومی، باید برای رسیدن به شرایط مطلوب دقیقا تنظیم شود. وقتی چند نقطه‌ی کوانتومی، برای افزایش مقیاس دستگاه، با هم ترکیب می‌شوند، فرایند تنظیم، بسیار زمان‌بر می‌شود، زیرا نقاط کوانتومی نیمه رسانا، کاملا یکسان نیستند و هر یک باید به صورت جداگانه مشخص شوند. این الگوریتم مهم، به خودکار شدن فرایند مذکور کمک خواهد کرد. رهیافت یادگیری ماشین، زمان اندازه‌گیری و تعداد دفعات انجام آن را در مقایسه با روش‌های رایج بدست آوردن داده‌ کاهش می‌دهد.

همچون فناوری تشخیص چهره، نرم‌افزار بتدریج می‌آموزد که با هدف دستیابی به حداکثر اطلاعات، کجا اندازه‌گیری مجدد لازم است. آنگاه سیستم این اندازه‌گیری‌ها را اجرا می‌کند و تا تشخیص مؤثر مطابق با معیارهای از پیش‌تعریف‌شده حاصل نشود، این فرآیند را تکرار می‌کند.
 


مشاهده مقاله اصلی در مجله
منبع: phys.org
كلمات كليدي :
یادگیری ماشین