借助神经网络来扩大量子计算机的应用规模

迄今为止，量子计算机的应用仍相对有限，但研究人员正在努力尝试扩大其规模。基于硅量子位的可容错量子计算机体系结构的一种构建方法，是将单个磷原子放置在 2D 网格上。接着通过纳米电子线，控制一两个量子比特的逻辑门来执行计算。然而这种方法在很大程度上取决于磷原子晶格点位的数量级，原子量子点位的不确定性，对其相互作用的破坏性达到了好几个数量级。

如此一来，将导致两个量子位门的运算错误，对给定计算产生了不准确的结果。在大规模的量子计算体系结构中，这种影响将呈指数级放大。

为帮助解决这一问题，2016 年的时候，墨尔本大学的研究人员使用了磷原子波函数的计算机扫描隧道显微镜（STM）图像，来确定其在硅上的空间位置。

这允许以单个晶格来高度精确地找到原子的量子点位，不过下一个挑战，就是如何将这种精确的空间定位方法，扩大到大规模、可容错的量子计算机体系结构中。

为开发此框架，研究人员现借助深度学习工具，在 10 万张数量级的 STM 图像集上开展卷积神经网络（CNN）的计算训练，然后尝试对 1.76 万张测试图像进行识别。

结果发现，尽管这些图像带有真实环境中常见的模糊和不对称造型，卷积神经网络对测试图像的分类精度仍超过了 98% 。

实验证明了这种基于机器学习的技术能够以高通量、高精度和最少的人机交互，来处理量子比特的测量数据。

此外，研究表明该技术具有扩大由多个磷原子组成的量子比特的潜力。在这样的设置下，潜在的图像配置数量可成倍增加。

研究团队表示，这种基于机器学习的技术，能够在可容错的通用型量子计算机的开发商发挥关键作用，这也是全世界研究人员的终极目标。

有关这项研究的详情，已经发表在近日出版的《自然》（Nature）期刊上，原标题为：《Framework for atomic-level characterisation of quantum computer arrays by machine learning》。