Um estudo liderado pela Universidade de Oxford usou o poder do aprendizado de máquina para superar um desafio importante que afeta os dispositivos quânticos. Pela primeira vez, as descobertas revelam uma forma de colmatar a “lacuna da realidade”: a diferença entre o comportamento previsto e observado dos dispositivos quânticos. Os resultados foram publicados na Physical Review X.

A computação quântica poderá dinamizar uma grande variedade de aplicações, desde a modelização climática e previsões financeiras até à descoberta de medicamentos e à inteligência artificial. Mas isso exigirá formas eficazes de dimensionar e combinar dispositivos quânticos individuais (também chamados de qubits). Uma grande barreira contra isto é a variabilidade inerente: onde mesmo unidades aparentemente idênticas exibem comportamentos diferentes.

Presume-se que a variabilidade funcional seja causada por imperfeições em nanoescala nos materiais de que os dispositivos quânticos são feitos. Como não há como medi-los diretamente, esta desordem interna não pode ser capturada em simulações, levando à lacuna nos resultados previstos e observados.

Para resolver isso, o grupo de pesquisa usou uma abordagem de aprendizado de máquina “informada pela física” para inferir indiretamente essas características do transtorno. Isto foi baseado em como a desordem interna afetou o fluxo de elétrons através do dispositivo.

A pesquisadora principal, Professora Associada Natalia Ares (Departamento de Ciências da Engenharia, Universidade de Oxford), disse: 'Como analogia, quando jogamos “golfe louco”, a bola pode entrar em um túnel e sair com uma velocidade ou direção que não corresponde às nossas previsões . Mas com mais algumas tacadas, um simulador de golfe maluco e um pouco de aprendizado de máquina, poderemos melhorar na previsão dos movimentos da bola e diminuir a diferença de realidade.

Os pesquisadores mediram a corrente de saída para diferentes configurações de tensão em um dispositivo individual de pontos quânticos. Os dados foram inseridos em uma simulação que calculou a diferença entre a corrente medida e a corrente teórica caso não houvesse desordem interna. Ao medir a corrente em muitas configurações de tensão diferentes, a simulação foi obrigada a encontrar um arranjo de desordem interna que pudesse explicar as medições em todas as configurações de tensão. Essa abordagem usou uma combinação de abordagens matemáticas e estatísticas aliadas ao aprendizado profundo.

O professor associado Ares acrescentou: “Na analogia do golfe louco, seria equivalente a colocar uma série de sensores ao longo do túnel, para que pudéssemos medir a velocidade da bola em diferentes pontos. Embora ainda não possamos ver o interior do túnel, podemos usar os dados para fornecer melhores previsões sobre como a bola se comportará quando fizermos o arremesso.'

O novo modelo não apenas encontrou perfis de desordem interna adequados para descrever os valores de corrente medidos, mas também foi capaz de prever com precisão as configurações de tensão necessárias para regimes operacionais de dispositivos específicos.

Crucialmente, o modelo fornece um novo método para quantificar a variabilidade entre dispositivos quânticos. Isso poderia permitir previsões mais precisas sobre o desempenho dos dispositivos e também ajudar a projetar materiais ideais para dispositivos quânticos. Poderia informar abordagens de compensação para mitigar os efeitos indesejados de imperfeições materiais em dispositivos quânticos.

O coautor David Craig, um estudante de doutoramento no Departamento de Materiais da Universidade de Oxford, acrescentou: “Semelhante a como não podemos observar buracos negros diretamente, mas inferimos a sua presença a partir do seu efeito na matéria circundante, utilizámos medições simples como um proxy para a variabilidade interna de dispositivos quânticos em nanoescala. Embora o dispositivo real ainda tenha maior complexidade do que o modelo pode capturar, nosso estudo demonstrou a utilidade de usar o aprendizado de máquina com consciência da física para diminuir a lacuna da realidade.'

O estudo 'Preenchendo a lacuna da realidade em dispositivos quânticos com aprendizado de máquina com reconhecimento de física' foi publicado na Physical Review X.