Des scientifiques de l'Université d'Oxford, en collaboration avec l'Université de Bâle et l'Université de Lancaster, ont développé un algorithme qui peut être utilisé pour mesurer automatiquement les points quantiques.

Le spin électronique des électrons individuels dans les points quantiques pourrait constituer la plus petite unité d'information d'un ordinateur quantique. Ecriture en npj Quantum Information, les scientifiques décrivent comment ils peuvent accélérer massivement ce processus extrêmement long à l'aide de l'apprentissage automatique.

Leur approche de la mesure et du contrôle automatiques des qubits représente une étape clé vers leur application à grande échelle.

Dr. Natalia Ares du Département des matériaux de l'Université d'Oxford, dit :« Pour la première fois, nous avons appliqué l'apprentissage automatique pour effectuer des mesures efficaces dans les points quantiques d'arséniure de gallium, permettant ainsi la caractérisation de grands réseaux de dispositifs quantiques. »

Professeur Dr. Dominik Zumbühl de l'Université de Bâle, a déclaré :« La prochaine étape dans notre laboratoire consiste maintenant à appliquer le logiciel à des points quantiques semi-conducteurs constitués d'autres matériaux mieux adaptés au développement d'un ordinateur quantique.

"Avec ce travail, nous avons apporté une contribution clé qui ouvrira la voie aux architectures qubit à grande échelle. »

Pour plusieurs années, le spin électronique des électrons individuels dans une boîte quantique a été identifié comme un candidat idéal pour la plus petite unité d'information dans un ordinateur quantique, autrement connu sous le nom de qubit.

Dans les points quantiques constitués de matériaux semi-conducteurs en couches, les électrons individuels sont pris dans un piège, pour ainsi dire. Leurs tours peuvent être déterminés de manière fiable et commutés rapidement, avec des chercheurs gardant les électrons sous contrôle en appliquant des tensions aux différentes nanostructures à l'intérieur du piège. Entre autres, cela leur permet de contrôler le nombre d'électrons qui entrent dans la boîte quantique à partir d'un réservoir via des effets tunnel. Ici, même de petits changements de tension ont une influence considérable sur les électrons.

Pour chaque point quantique, les tensions appliquées doivent être réglées avec soin afin d'obtenir les conditions optimales. Lorsque plusieurs points quantiques sont combinés pour évoluer dans l'appareil jusqu'à un grand nombre de qubits, ce processus de réglage prend énormément de temps car les points quantiques semi-conducteurs ne sont pas complètement identiques et doivent chacun être caractérisés individuellement.

Cet algorithme révolutionnaire aidera à automatiser le processus. L'approche d'apprentissage automatique des scientifiques réduit le temps de mesure et le nombre de mesures par rapport à l'acquisition de données conventionnelle.

Les scientifiques ont entraîné la machine avec des données sur le courant traversant la boîte quantique à différentes tensions. Comme la technologie de reconnaissance faciale, le logiciel apprend progressivement où d'autres mesures sont nécessaires, en vue d'obtenir le gain d'information maximal. Le système effectue ensuite ces mesures et répète le processus jusqu'à ce qu'une caractérisation efficace soit obtenue selon des critères prédéfinis et que la boîte quantique puisse être utilisée comme qubit.