机器学习破局！牛津大学成功弥合量子设备的现实差距

光子盒研究院

近期，牛津大学研究团队借助机器学习成功克服了量子设备开发的关键障碍。

这项创新性研究提出了一种缩小“现实差距”的方法：即量子设备的预期行为与观察行为之间的差异。弥合了量子设备中预测行为与实际观察之间的鸿沟，为量子计算领域拓展出了新的发展路径。

该研究成果已发表在《物理评论 X》上，为气候建模、药物发现等领域提供了广泛应用的前景。

在量子计算领域，单个量子器件（也称为量子比特）的可扩展性和集成性对于提升各个领域的功能至关重要。然而，看似相同的量子单元之间固有的可变性构成了一个主要障碍。

这种变异性（variability）被认为源于量子器件所用材料中的纳米级缺陷，而由于这些缺陷无法直接测量，因此预测结果变得十分困难。

为了解决这个问题，研究团队采用了一种“物理信息”（physics-informed）机器学习方法。

牛津大学工程科学系副教授纳塔利娅·阿瑞斯（Natalia Ares）作为首席研究员，用一个俏皮的比喻解释了这一方法，她把它比作在“疯狂高尔夫”游戏中通过重复击球、模拟器和机器学习提高预测能力。

研究人员通过测量单个量子点器件在不同电压设置下的输出电流来收集数据。

然后将这些数据输入模拟程序，该程序会计算出测量电流与理论电流之间的差异，并考虑到内部无序的情况。

通过对各种电压设置重复这一过程，模拟成功地确定了能够解释测量结果的内部无序（absence of internal disorder）。这种方法将数学和统计技术与深度学习相结合了起来。

阿瑞斯副教授阐述道：“用疯狂高尔夫来比喻，这就相当于沿着隧道放置了一系列传感器，这样我们就可以在不同点测量球速。”

“虽然我们仍然无法看到隧道内部的情况，但我们可以利用这些数据更好地预测球在我们击球时的表现。”

重要的是，所开发的模型不仅确定了合适的内部无序剖面，还准确预测了特定设备运行条件下的电压设置。

该模型能够量化量子器件之间的可变性，从而更精确地预测器件性能，并有助于量子器件最佳材料的工程设计。此外，它还可以为减轻量子器件中材料缺陷影响的补偿策略提供依据。

器件的几何形状

该研究的共同作者、牛津大学材料系博士生大卫·克雷格（David Craig）将该研究与黑洞的间接观测相提并论，他说：“我们无法直接观测黑洞，只能通过黑洞对周围物质的影响来推断黑洞的存在。”

“虽然真实设备的复杂性仍然大于模型所能捕捉的范围，但我们的研究证明了使用物理感知机器学习来缩小现实差距的实用性。”

参考链接：

[1]https://www.verdict.co.uk/why-quantum-computing-an-encryption-apocalypse/?cf-view

[2]https://www.verdict.co.uk/oxford-study-uses-machine-learning-to-bridge-quantum-device-reality-gap/

[3]https://www.azoquantum.com/News.aspx?newsID=10024