Kuantum bilgisayarların, diğerlerinin yanı sıra ilaç tasarımı, veri bilimi, astronomi ve malzeme kimyası alanlarındaki karmaşık problemler için (şu anda süper bilgisayarlarda bile geçerli olan zorluklar) muazzam bir hesaplama gücü sağlaması bekleniyor.

Yüksek teknolojik ve stratejik riskler, büyük teknoloji şirketlerinin yanı sıra iddialı girişimler ve hükümet tarafından finanse edilen araştırma merkezlerinin dünyanın ilk evrensel kuantum bilgisayarını kurma yarışında oldukları anlamına geliyor.

Kuantum Bilgisayarı Yapmak

Bilginin bit (0 veya 1) olarak kodlandığı günümüzün klasik bilgisayarlarının aksine, kuantum bilgisayarlar kuantum bitlerinde (qubits) depolanan bilgileri işler. Bunlar, bir atomun negatif yüklü parçacıkları olan elektronlar gibi kuantum mekanik nesnelerle barındırılır.

Kuantum durumları da ikili olabilir ve her iki olasılıktan birine veya aynı anda etkili bir şekilde (kuantum süperpozisyonu olarak bilinir) koyulabilir ve artan sayıda kubit ile katlanarak daha büyük bir hesaplama alanı sunar.

Bu eşsiz veri gıcırdama gücü, bir kübitin durumunun başka bir kübitin durumunu herhangi bir fiziksel bağlantı olmadan dikte edebildiği, örneğin 1’lerin hepsini yapan kuantum mekaniğinin bir başka büyülü özelliği olan dolaşma ile daha da artırılır. Einstein buna ‘uzaktan ürkütücü bir eylem’ dedi.

Dünyadaki farklı araştırma grupları, her birinin kendi yararları ve sınırlamaları olan farklı kübit türleri peşinde koşuyor. Bazı kübitler ölçeklenebilirlik potansiyeli sunarken, diğerleri çok uzun tutarlılık süreleriyle gelir, bu da kuantum bilgilerinin sağlam bir şekilde saklanabileceği zamandır.

Kuantum Bilgisiyarı ve Birtakım Mücadeleler

Bununla birlikte, son teknoloji ürünü üretim teknolojilerinde bile, silikon kafes içinde fosfor atomlarının kesin yerlere yerleştirilmesi çok zor bir iştir. Konumlarında bir atomik kafes bölgesinin düzenindeki küçük değişiklikler sıklıkla gözlenir ve iki kubit işleminin verimliliği üzerinde büyük bir etkisi olabilir.

Sorun, elektron kubitleri arasındaki değişim etkileşiminin silikondaki fosfor atomları üzerindeki ultra hassas bağımlılığından kaynaklanmaktadır. Değişim etkileşimi, dalga fonksiyonları üst üste geldiğinde ve su yüzeyine müdahale eden iki hareket eden dalga gibi, elektron gibi iki atom altı parçacığın gerçek alanda etkileşime girebildiği temel bir kuantum mekanik özelliktir.

Fosfor atomu kübitler üzerindeki elektronlar arasındaki değişim etkileşimi, hızlı iki-kubit kapıları uygulamak için kullanılabilir, ancak bilinmeyen herhangi bir varyasyon kuantum geçidinin doğruluğuna zarar verebilir. Geleneksel bir bilgisayardaki mantık kapıları gibi, kuantum kapıları bir kuantum devresinin yapı taşlarıdır.

Silikondaki fosfor kübitleri için, bir atomik kafes bölgesi sırasına sahip kübit atomunun konumundaki bir belirsizlik bile, büyüklük dereceleriyle karşılık gelen değişim etkileşimini değiştirebilir ve iki kubitli kapı işlemlerinde hatalara yol açabilir.

Büyük ölçekli mimari üzerinde biriken bu tür hatalar, kuantum bilgisayarın verimliliğini ciddi şekilde engelleyerek kübitlerin kuantum mekanik özelliklerinden dolayı beklenen herhangi bir kuantum avantajını azaltabilir.

Kübit Atomunun Tam Koordinatlarını Bulma

Bu nedenle 2016’da, silikondaki fosfor atomlarının kesin yerlerini belirleyebilecek bir teknik geliştirmek için Yeni Güney Galler Üniversitesi Kuantum Hesaplama ve İletişim Teknolojisi araştırmacıları Merkezi ile birlikte çalıştık.

Nature Nanotechnology’de bildirilen teknik, silikondaki uzamsal yerlerini belirlemek için fosfor atom dalgası fonksiyonlarının bilgisayarlı tarama tünelleme mikroskobu (STM) görüntülerini kullanan ilk teknikti.

Görüntüler, Avustralya’nın Pawsey süper hesaplama merkezindeki ulusal süper bilgisayar tesislerini kullanarak milyonlarca atom üzerinde elektronik hesaplama yapılmasına izin veren bir hesaplama çerçevesi kullanılarak hesaplandı.

Bu hesaplamalar, simetrinin, parlaklığın ve özelliklerin boyutunun, elektronun bağlı olduğu silikon kafes içindeki bir fosfor atomunun pozisyonuyla doğrudan ilişkili olduğu elektron dalga fonksiyonu desenlerinin haritaları üretti.

Her donör atomu pozisyonunun ayrı bir haritaya yol açması, mekansal metroloji olarak bilinen kubit atomu konumlarının tek bir kafes bölge hassasiyeti ile tespit edilmesini sağladı.

Teknik, bireysel kübit düzeyinde çok iyi çalıştı. Bununla birlikte, bir sonraki büyük zorluk, evrensel bir hataya dayanıklı kuantum bilgisayarın gereksinimleriyle başa çıkarak yüksek hız ve minimum insan etkileşimi ile bu tam atom uzamsal saptamasını gerçekleştirebilecek bir çerçeve oluşturmaktı.

Makine Öğrenimi

Makine öğrenimi, tıp biliminden görüntü işleme, robot ve malzeme tasarımına kadar neredeyse her araştırma alanında devrim yaratan, ortaya çıkan bir araştırma alanıdır.

Dikkatli bir şekilde eğitilmiş makine öğrenimi algoritması, çok büyük veri setlerini muazzam bir verimlilikle işleyebilir.

Makine öğreniminin bir dalı, görüntü tanıma ve sınıflandırma sorunları için son derece güçlü bir araç olan kıvrımlı sinir ağı (CNN) olarak bilinir. Bir CNN binlerce örnek görüntü üzerinde eğitildiğinde, bilinmeyen görüntüleri (parazit dahil) tam olarak tanıyabilir ve sınıflandırmalar gerçekleştirebilir.

Kübit atomların yerleşik mekansal metrolojisinin temelini oluşturan prensibin temelde STM görüntülerinin özellik haritalarını tanıması ve sınıflandırması olduğunu hesaplayarak, hesaplanan STM görüntüleri üzerinde bir CNN eğitmeye karar verdik. Çalışma NPJ Hesaplamalı Malzemeler dergisinde yayınlandı.

Eğitim 100.000 STM görüntüsünü içeriyordu ve CNN için yüzde 99’un üzerinde olağanüstü bir öğrenme elde etti. Daha sonra, gerçekçi ortamlarda tipik olarak bulunan bulanıklık ve asimetri gürültüsü dahil olmak üzere 17600 test görüntüsü için eğitimli CNN’yi test ettik.

CNN, test görüntülerini yüzde 98’in üzerinde bir doğrulukla sınıflandırdı ve bu makine öğrenme tabanlı tekniğin kubit ölçüm verilerini yüksek verim, yüksek hassasiyet ve minimal insan etkileşimi ile işleyebildiğini doğruladı.

Bu teknik ayrıca, olası görüntü konfigürasyonlarının sayısının katlanarak artacağı birden fazla fosfor atomundan oluşan kübitler için ölçeklendirme potansiyeline sahiptir. Bununla birlikte, makine öğrenimine dayalı çerçeve kolaylıkla herhangi bir sayıda olası konfigürasyonu içerebilir.

Önümüzdeki yıllarda, kubit sayısı arttıkça ve kuantum cihazların boyutu büyüdükçe, manuel ölçümlerle kübit karakterizasyonu oldukça zor ve zahmetli olacaktır.

Bu çalışma, bu çalışmada geliştirilen gibi makine öğrenimi tekniklerinin, tam kapsamlı bir hataya dayanıklı evrensel kuantum bilgisayarın gerçekleştirilmesinde bu açıdan nasıl önemli bir rol oynayabileceğini göstermektedir.

Kaynak

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

You may also like