編輯 | 蘿蔔皮
現實與模擬之間的差異阻礙了固態量子器件的最佳化和可延伸性。由不可預測的材料缺陷分布引起的無序是造成現實差距的主要原因之一。
牛津大學的研究團隊使用物理感知機器學習來彌補這一差距，特別是使用結合物理模型、深度學習、高斯隨機場和貝葉斯推理的方法。
這種方法使科學家能夠從電子傳輸數據推斷納米級電子器材的無序潛力。透過驗證演算法對 AlGaAs/GaAs 中橫向定義的量子點器件所需的柵極電壓值的預測來驗證這一推論，從而產生與雙量子點體系相對應的電流特征。
該研究以「 Bridging the Reality Gap in Quantum Devices with Physics-Aware Machine Learning 」為題，於 2024 年 1 月 4 日釋出在【 PHYSICAL REVIEW X 】。
人類發現的驅動力之一是預測與觀察結果之間的差異；這就是現實差距。
首席研究員、牛津大學工程科學系副教授 Natalia Ares 表示：當玩「瘋狂高爾夫」時，球可能會以與玩家預測不符的速度或方向進入和結束隧道。
但透過更多的擊球、瘋狂的高爾夫模擬器和一些機器學習，人們可能會更好地預測球的運動並縮小現實差距。固態量子器件也存在類似的理解障礙：名義上相同的器件通常會表現出不同的特性。
在這裏，牛津大學的研究團隊采用機器學習方法來縮小此類器材的現實差距。
具體來說，研究人員考慮透過改變柵極電壓來控制透過納米級器件的電流：由於材料缺陷，看起來相同的器件可以在相同的電壓設定下表現出不同的電流行為。這種可變性拉開了模擬預測與現實之間的差距。
這裏的物理感知機器學習方法可以彌合這一現實差距，揭示影響他們器材的材料缺陷的隱藏特征。研究人員使用不同電壓設定下的電流的簡單測量來通知模擬器。
圖示：方法概述。（來源：論文）
Ares 補充道：「在瘋狂的高爾夫類比中，這相當於沿著隧道放置一系列傳感器，這樣我們就可以測量不同點的球速。盡管我們仍然看不到隧道內部，但我們可以利用這些數據更好地預測射門時球的表現。」
新模型不僅找到了合適的內部紊亂曲線來描述測量的電流值，而且還可以準確預測特定器材工作狀態所需的電壓設定。
該模型提供了一種量化量子器材之間變異性的新方法。這可以更準確地預測器材的效能，並幫助設計量子器材的最佳材料。它可以為補償方法提供資訊，從而減輕量子器材中材料缺陷的不良影響。
論文合著者、牛津大學材料系博士生 David Craig 補充道：「類似於我們無法直接觀察黑洞，但我們可以根據黑洞對周圍物質的影響來推斷它們的存在，我們使用簡單的測量作為納米級量子器材內部變異性的代理。」
「盡管真實器材的復雜性仍然高於模型所能捕捉到的，但我們的研究已經證明了使用物理感知機器學習來縮小現實差距的效用。」
論文連結： https://journals.aps.org/prx/abstract/10.1103/PhysRevX.14.011001
相關報道： https://phys.org/news/2024-01-machine-bridge-reality-gap-quantum.html
