Ajuste totalmente autónomo de un qubit de spin

Dejar que los chips cuánticos se ajusten solos

Los ordenadores cuánticos del futuro podrían contener millones de diminutos bits cuánticos, o qubits, integrados en chips semiconductores. Hoy por hoy, lograr que aunque sean unos pocos de esos qubits funcionen correctamente requiere semanas de ajustes meticulosos por parte de investigadores expertos, tocando decenas de “perillas” electrónicas a mano. Este artículo describe un sistema que delega esa tarea a la máquina misma: un procedimiento automatizado capaz de despertar un chip cuántico frío y silencioso y guiarlo hasta obtener un qubit funcional sin intervención humana.

Por qué es tan difícil afinar chips cuánticos

Los qubits de spin en semiconductores son bloques de construcción prometedores para ordenadores cuánticos porque, en principio, pueden fabricarse con técnicas similares a las usadas en los chips informáticos cotidianos. Cada qubit reside en una región minúscula de un nanohilo o transistor, definida y controlada por voltajes en múltiples electrodos de puerta. Para obtener un qubit fiable, las puertas deben ajustarse de modo que la cantidad exacta de carga eléctrica se sitúe en los lugares adecuados, las barreras entre regiones no sean ni demasiado altas ni demasiado bajas, y el qubit pueda leerse y controlarse mediante pulsos de microondas. Todas estas condiciones dependen de manera delicada de varios voltajes y campos magnéticos a la vez, de modo que el espacio de configuraciones posible es enorme —como buscar un grano de arena en un montón del tamaño de una casa. Esa complejidad es lo que actualmente limita los chips cuánticos experimentales a solo unos pocos qubits por dispositivo, aunque la fabricación podría soportar muchos más.

Un operador robótico paso a paso

Los autores construyen un “operador digital” en cuatro etapas que se encarga de esa búsqueda. Parte de un dispositivo con todos los voltajes de las puertas en cero y usa mediciones de las diminutas corrientes eléctricas que fluyen por el nanohilo como retroalimentación. En la primera etapa, el sistema aprende dónde comienza y termina la corriente al barrer combinaciones de voltajes en las puertas de barrera, y utiliza un modelo estadístico para delinear una región donde puede formarse un punto cuántico doble —un par de charcos de carga vecinos. En la segunda etapa, se concentra en esa región y moldea las barreras de modo que ciertos patrones de corriente, llamados triángulos de sesgo, se vuelvan nítidos y bien separados, indicando que los niveles de energía dentro del dispositivo son adecuados para aislar estados de spin.

Enseñar a la máquina qué buscar

Para reconocer patrones prometedores sin intervención humana, el algoritmo recurre a varias ramas de la ciencia de datos moderna. Redes neuronales, entrenadas con miles de mediciones y simulaciones previas, pueden determinar si una imagen de corriente corresponde a un punto doble bien formado, si sufre saltos de carga disruptivos o si muestra la señal característica de “bloqueo de spin”, una condición necesaria para convertir información de spin en una señal de corriente fácilmente medible. Otras rutinas de visión por ordenador encuentran y siguen automáticamente características geométricas en los datos, como los bordes y las puntas de los triángulos de sesgo. La optimización bayesiana, una estrategia para búsquedas por ensayo y error eficientes, propone nuevas configuraciones de voltaje que son más probables de mejorar una puntuación elegida —por ejemplo, una medida relacionada con lo claramente que distintos estados de spin están separados en energía.

Del dispositivo bruto al qubit operativo

Una vez que el algoritmo ha encontrado una transición que muestra bloqueo de spin, entra en la etapa final: buscar no solo entre voltajes de puerta, sino también en frecuencia de microondas, campo magnético y duración de pulsos para localizar condiciones en las que el spin responda de forma coherente. Busca un pico en la corriente de fuga mientras se barre el campo magnético, usando una puntuación basada en entropía para destacar trazas donde una característica clara emerge del fondo. Cuando se encuentra un candidato probable, el sistema realiza automáticamente mediciones más detalladas, incluidos patrones de oscilaciones conocidos como chevrons de Rabi, para confirmar que se dispone de un comportamiento de qubit genuino y controlable. En pruebas con un dispositivo de nanohilo de germanio–silicio, el procedimiento alcanzó con éxito oscilaciones de Rabi claras —evidencia sólida de un qubit operativo— en 10 de 13 ejecuciones, típicamente en alrededor de día y medio de operación totalmente automatizada.

Abrir la puerta a procesadores cuánticos grandes

Para un lector no especializado, el mensaje clave es que este trabajo muestra cómo la parte más tediosa y dependiente del conocimiento experto de la operación de chips cuánticos puede delegarse en software inteligente. En lugar de que los investigadores busquen manualmente en un vasto espacio de configuraciones, una canalización automatizada usa reconocimiento de patrones y exploración guiada para encontrar pequeños “puntos óptimos” que de otro modo permanecerían ocultos. Dado que el método es modular y se apoya en patrones de medición generales en lugar de trucos específicos de dispositivo, debería transferirse a otros diseños de chips cuánticos y puede ampliarse para caracterizar cómo varía la calidad de los qubits a lo largo de una oblea. A medida que los procesadores cuánticos crezcan de decenas a miles o millones de qubits, ese ajuste manos libres y la autooptimización serán esenciales para convertir prototipos de laboratorio en tecnologías cuánticas prácticas.

Cita: 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

Palabras clave: qubits de spin, automatización de dispositivos cuánticos, aprendizaje automático, computación cuántica en semiconductores, puntos cuánticos en nanocables