Une étude menée par l’Université d’Oxford a utilisé la puissance de l’apprentissage automatique pour surmonter un défi majeur affectant les dispositifs quantiques. Pour la première fois, les résultats révèlent une méthode pour combler le ‘fossé de la réalité’, la différence entre le comportement prédit et observé des dispositifs quantiques.
Le potentiel de l’informatique quantique pour booster une multitude d’applications, de la modélisation climatique et la prévision financière, à la découverte de médicaments et l’intelligence artificielle, est indéniable. Cela nécessite des moyens efficaces pour mettre à l’échelle et combiner des dispositifs quantiques individuels, également appelés qubits. Un obstacle majeur à cela est la variabilité inhérente, où même des unités apparemment identiques présentent des comportements différents.
On suppose que cette variabilité fonctionnelle est causée par des imperfections à l’échelle nanométrique dans les matériaux dont sont faits les dispositifs quantiques. Comme il n’y a pas de moyen de mesurer directement ces imperfections, ce désordre interne ne peut pas être capturé dans les simulations, ce qui conduit à un écart entre les résultats prédits et observés.
Une approche d’apprentissage auto « informée par la physique »
Pour résoudre ce problème, le groupe de recherche a utilisé une approche d’apprentissage automatique « informée par la physique » pour déduire indirectement ces caractéristiques de désordre. Cette approche était basée sur la manière dont le désordre interne affectait le flux d’électrons à travers le dispositif.
La chercheuse principale, la professeure associée Natalia Ares (Département des sciences de l’ingénieur, Université d’Oxford), a commenté : « En guise d’analogie, lorsque nous jouons au ‘golf fou’, la balle peut entrer dans un tunnel et sortir avec une vitesse ou une direction qui ne correspond pas à nos prédictions. Mais avec quelques coups supplémentaires, un simulateur de golf fou, et un peu d’apprentissage automatique, nous pourrions devenir meilleurs pour prédire les mouvements de la balle et réduire le fossé de la réalité. »
Des prédictions plus précises et une optimisation des matériaux
Non seulement le nouveau modèle a trouvé des profils de désordre interne appropriés pour décrire les valeurs de courant mesurées, mais il a également pu prédire avec précision les réglages de tension nécessaires pour des régimes de fonctionnement spécifiques du dispositif.
De manière cruciale, le modèle fournit une nouvelle méthode pour quantifier la variabilité entre les dispositifs quantiques. Cela pourrait permettre des prédictions plus précises de la performance des dispositifs, et également aider à concevoir des matériaux optimaux pour les dispositifs quantiques. Il pourrait informer des approches de compensation pour atténuer les effets indésirables des imperfections matérielles dans les dispositifs quantiques.
En synthèse
Cette étude marque une étape importante dans la compréhension et la gestion de la variabilité inhérente des dispositifs quantiques. L’approche d’apprentissage automatique «informée par la physique» pourrait être un outil précieux pour combler le ‘fossé de la réalité’ et optimiser la performance des dispositifs quantiques.
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
Pour une meilleure compréhension
Qu’est-ce que le ‘fossé de la réalité’ dans les dispositifs quantiques ?
Il s’agit de la différence entre le comportement prédit et observé des dispositifs quantiques.
Qu’est-ce qui cause la variabilité inhérente dans les dispositifs quantiques ?
Elle est supposée être causée par des imperfections à l’échelle nanométrique dans les matériaux dont sont faits les dispositifs quantiques.
Comment l’apprentissage automatique peut-il aider à résoudre ce problème ?
L’apprentissage automatique peut être utilisé pour déduire indirectement les caractéristiques du désordre interne, basé sur la manière dont il affecte le flux d’électrons à travers le dispositif.
Quels sont les avantages potentiels de cette approche ?
Elle pourrait permettre des prédictions plus précises de la performance des dispositifs, aider à concevoir des matériaux optimaux pour les dispositifs quantiques, et informer des approches de compensation pour atténuer les effets indésirables des imperfections matérielles.
Quelle est la prochaine étape ?
La prochaine étape serait d’appliquer cette approche à une gamme plus large de dispositifs quantiques et de situations.
Références
The study ‘Bridging the reality gap in quantum devices with physics-aware machine learning’ has been published in Physical Review X: https://journals.aps.org/prx/abstract/10.1103/PhysRevX.14.011001
