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.
