Vollständig autonome Abstimmung eines Spin-Qubits

Quantenchips sich selbst abstimmen lassen

Zukünftige Quantencomputer könnten Millionen winziger Quantenzustände, sogenannter Qubits, auf Halbleiterchips unterbringen. Heute erfordert das ordnungsgemäße Inbetriebnehmen schon einer kleinen Gruppe dieser Qubits Wochen sorgfältiger Anpassung durch Expert*innen, die Dutzende elektronische "Regler" manuell einstellen. Dieser Artikel beschreibt ein System, das diese Aufgabe der Maschine überträgt: ein automatisiertes Verfahren, das einen kalten, stummen Quantenchip aufwecken und ihn ganz ohne menschliches Eingreifen zu einem funktionierenden Qubit führen kann.

Warum die Abstimmung von Quantenchips so schwierig ist

Halbleiter-Spin-Qubits sind vielversprechende Bausteine für Quantencomputer, weil sie im Prinzip mit ähnlichen Fertigungstechniken hergestellt werden können wie herkömmliche Computerchips. Jedes Qubit befindet sich in einer winzigen Region eines Nanodrahts oder Transistors, die durch Spannungen an vielen Gate-Elektroden definiert und gesteuert wird. Um ein zuverlässiges Qubit zu erzeugen, müssen die Gates so eingestellt werden, dass sich genau die richtige Ladungsmenge an den richtigen Stellen befindet, die Barrieren zwischen Regionen weder zu hoch noch zu niedrig sind und das Qubit mittels Mikrowellenpulsen ausgelesen und gesteuert werden kann. All diese Bedingungen hängen empfindlich von mehreren Spannungen und Magnetfeldern gleichzeitig ab, sodass der Raum möglicher Einstellungen enorm ist – wie die Suche nach einem einzelnen Sandkorn in einem hausgroßen Haufen. Diese Komplexität begrenzt derzeit experimentelle Quantenchips auf nur wenige Qubits pro Bauelement, obwohl die Fertigung deutlich mehr unterstützen könnte.

Ein schrittweiser, robotischer Operator

Die Autor*innen bauen einen vierstufigen "digitalen Operator", der diese Suche übernimmt. Er beginnt mit einem Gerät, bei dem alle Gate-Spannungen auf null gesetzt sind, und verwendet Messungen der winzigen elektrischen Ströme durch den Nanodraht als Rückkopplung. In der ersten Stufe lernt das System, wann Strom einsetzt und abreißt, während es Kombinationen von Barrierespannungen überstreicht, und nutzt ein statistisches Modell, um einen Bereich abzustecken, in dem sich ein doppelter Quantenpunkt – ein Paar benachbarter Ladungspfützen – bilden kann. In der zweiten Stufe konzentriert es sich auf diesen Bereich und formt die Barrieren so um, dass bestimmte Strommuster, sogenannte Bias-Dreiecke, scharf und gut getrennt werden, ein Hinweis darauf, dass die Energieniveaus im Gerät geeignet sind, Spin-Zustände zu isolieren.

Der Maschine beibringen, wonach sie suchen soll

Um vielversprechende Muster ohne menschliches Eingreifen zu erkennen, greift der Algorithmus auf mehrere Bereiche der modernen Datenwissenschaft zurück. Neuronale Netze, trainiert an Tausenden früherer Messungen und Simulationen, können erkennen, ob ein Strombild einem gut geformten Doppelpunkt entspricht, ob es von störenden Ladungssprüngen betroffen ist oder ob es das Kennzeichen einer "Spin-Blockade" zeigt – eine Bedingung, die nötig ist, um Spin-Information in ein leicht messbares Stromsignal zu verwandeln. Andere Computer-Vision-Routinen finden automatisch geometrische Merkmale in den Daten und verfolgen sie, wie die Kanten und Spitzen der Bias-Dreiecke. Bayesianische Optimierung, eine Strategie für effizientes Versuch-und-Irrtum-Suchen, schlägt neue Spannungswerte vor, die am wahrscheinlichsten eine Verbesserung eines gewählten Scores bewirken – zum Beispiel eines Maßes dafür, wie sauber verschiedene Spin-Zustände energetisch getrennt sind.

Vom Rohgerät zum funktionierenden Qubit

Sobald der Algorithmus einen Übergang identifiziert hat, der eine Spin-Blockade zeigt, tritt die finale Stufe ein: Es wird nicht nur über Gate-Spannungen gesucht, sondern auch über Mikrowellenfrequenz, Magnetfeld und Pulsdauer, um Bedingungen zu finden, unter denen der Spin kohärent reagiert. Es sucht nach einem Peak im Leckstrom, während das Magnetfeld durchfahren wird, und verwendet einen entropiebasierten Score, um Spuren zu identifizieren, in denen sich ein klares Merkmal vom Hintergrund abhebt. Wenn ein vielversprechender Kandidat gefunden ist, führt das System automatisch detailliertere Messungen durch, einschließlich Mustern von Oszillationen, bekannt als Rabi-Chevrons, um zu bestätigen, dass echtes, steuerbares Qubit-Verhalten vorliegt. In Tests an einem Germanium-Silizium-Nanodrahtgerät erreichte das Verfahren in 10 von 13 Durchläufen erfolgreich klare Rabi-Oszillationen – ein eindeutiger Beleg für ein funktionierendes Qubit – typischerweise innerhalb von etwa anderthalb Tagen vollautomatischer Operation.

Die Tür zu großen Quantenprozessoren öffnen

Für Laien ist die Kernbotschaft, dass diese Arbeit zeigt, wie der mühsamste und fachlich anspruchsvollste Teil des Betriebs von Quantenchips an intelligente Software delegiert werden kann. Anstatt dass Forschende manuell einen riesigen Einstellraum durchkämmen, nutzt eine automatisierte Pipeline Mustererkennung und geführte Erkundung, um winzige "Sweet Spots" zu finden, die sonst verborgen blieben. Da die Methode modular ist und sich auf allgemeine Messmuster statt auf gerätespezifische Tricks stützt, sollte sie auf andere Quantenchip-Designs übertragbar sein und sich erweitern lassen, um zu charakterisieren, wie die Qubit-Qualität über eine Waferfläche variiert. Wenn Quantenprozessoren von Dutzenden auf Tausende oder Millionen Qubits wachsen, werden solche freihändigen Abstimmungen und Selbstoptimierungen entscheidend sein, um Laborprototypen in praktische Quantentechnologien zu überführen.

Zitation: Schuff, J., Carballido, M.J., Kotzagiannidis, M. et al. Fully autonomous tuning of a spin qubit. Nat Electron 9, 304–313 (2026). https://doi.org/10.1038/s41928-025-01562-4

Schlüsselwörter: Spin-Qubits, Automatisierung von Quantenbauelementen, Maschinelles Lernen, Halbleiter-Quantencomputer, Nanodraht-Quantenpunkte