迄今為止，量子計算機的應用仍相對有限，但研究人員正在努力嘗試擴大其規(guī)模?；诠枇孔游坏目扇蒎e量子計算機體系結(jié)構的一種構建方法，是將單個磷原子放置在 2D 網(wǎng)格上。接著通過納米電子線，控制一兩個量子比特的邏輯門來執(zhí)行計算。然而這種方法在很大程度上取決于磷原子晶格點位的數(shù)量級，原子量子點位的不確定性，對其相互作用的破壞性達到了好幾個數(shù)量級。

如此一來，將導致兩個量子位門的運算錯誤，對給定計算產(chǎn)生了不準確的結(jié)果。在大規(guī)模的量子計算體系結(jié)構中，這種影響將呈指數(shù)級放大。

為幫助解決這一問題，2016 年的時候，墨爾本大學的研究人員使用了磷原子波函數(shù)的計算機掃描隧道顯微鏡（STM）圖像，來確定其在硅上的空間位置。

這允許以單個晶格來高度精確地找到原子的量子點位，不過下一個挑戰(zhàn)，就是如何將這種精確的空間定位方法，擴大到大規(guī)模、可容錯的量子計算機體系結(jié)構中。

為開發(fā)此框架，研究人員現(xiàn)借助深度學習工具，在 10 萬張數(shù)量級的 STM 圖像集上開展卷積神經(jīng)網(wǎng)絡（CNN）的計算訓練，然后嘗試對 1.76 萬張測試圖像進行識別。

結(jié)果發(fā)現(xiàn)，盡管這些圖像帶有真實環(huán)境中常見的模糊和不對稱造型，卷積神經(jīng)網(wǎng)絡對測試圖像的分類精度仍超過了 98% 。

實驗證明了這種基于機器學習的技術能夠以高通量、高精度和最少的人機交互，來處理量子比特的測量數(shù)據(jù)。

此外，研究表明該技術具有擴大由多個磷原子組成的量子比特的潛力。在這樣的設置下，潛在的圖像配置數(shù)量可成倍增加。

研究團隊表示，這種基于機器學習的技術，能夠在可容錯的通用型量子計算機的開發(fā)商發(fā)揮關鍵作用，這也是全世界研究人員的終極目標。

有關這項研究的詳情，已經(jīng)發(fā)表在近日出版的《自然》（Nature）期刊上，原標題為：《Framework for atomic-level characterisation of quantum computer arrays by machine learning》。