海归学者发起的公益学术平台
分享信息，整合资源
交流学术，偶尔风月
在实现量子计算架构的领先技术中，基于硅的单个掺杂原子的自旋量子位正日益受到关注。基于原子交换的量子计算机设计方案中，原子与量子位之间的物理距离很小（10-15 nm），放大到大型二维阵列的方法，通常取决于量子位调控及其相互作用的均匀性。对于单个或多个掺杂原子的量子位，即使在一个晶格位点的水平哪怕只有很小的变化，也可能显著影响逻辑运算的设计和调控。对于大规模阵列而言，建立一种可靠且快速识别每个量子位原子数、表征精确空间（原子在晶格中的位置）的方法至关重要。
来自澳大利亚墨尔本大学量子计算与通信技术中心Muhammad Usman等首先建立了一个通用的框架，其输入是一个电子波函数的模拟扫描隧道显微镜（STM）图像，该图像限制在单个掺杂剂或紧密排列的掺杂剂的小簇上。他们开发了两种特征检测方法，即边缘检测和特征平均，对图像进行处理以优化对系统已知信息的利用（例如晶格几何形状和表面二聚体）并减少计算负担。他们的结果表明，两种特征检测方法都可以在低噪声水平下实现高保真量子位表征，而特征平均方法在较大的模糊噪声的情况下可提供相当优越的性能。他们训练卷积神经网络（CNN）来表征嘈杂的STM图像，并查明相应的掺杂原子位置以精确的晶格位点精度进行计数。为了演示已建立方法的工作原理，他们在模拟STM图像上对CNN进行了训练和测试，包括与发表的测量结果相称的噪声水平下的测试。作者注意到，先前计算出的STM图像在每个像素和特征的水平上均与实测图像显示出非常好的一致性，因此他们希望训练后的CNN能够准确表征实验图像相当于带有噪声的模拟图像。由于CNN的训练需要数千张图像，因此基于模拟图像进行训练的能力消除了执行大规模实验测量的需要，从而节省了大量时间和精力。该文近期发表于npj Computational Materials 6: 19 (2020)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。
Framework for atomic-level characterisation of quantum computer arrays by machine learning
Muhammad Usman, Yi Zheng Wong, Charles D. Hill & Lloyd C. L. Hollenberg
Atomic-level qubits in silicon are attractive candidates for large-scale quantum computing; however, their quantum properties and controllability are sensitive to details such as the number of donor atoms comprising a qubit and their precise location. This work combines machine learning techniques with million-atom simulations of scanning tunnelling microscopic (STM) images of dopants to formulate a theoretical framework capable of determining the number of dopants at a particular qubit location and their positions with exact lattice site precision. A convolutional neural network (CNN) was trained on 100,000 simulated STM images, acquiring a characterisation fidelity (number and absolute donor positions) of >98% over a set of 17,600 test images including planar and blurring noise commensurate with experimental measurements. The formalism is based on a systematic symmetry analysis and feature-detection processing of the STM images to optimise the computational efficiency. The technique is demonstrated for qubits formed by single and pairs of closely spaced donor atoms, with the potential to generalise it for larger donor clusters. The method established here will enable a high-precision post-fabrication characterisation of dopant qubits in silicon, with high-throughput potentially alleviating the requirements on the level of resources required for quantum-based characterisation, which will otherwise be a challenge in the context of large qubit arrays for universal quantum computing.
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方