Regolazione completamente autonoma di un qubit di spin

Lasciare che i chip quantistici si tarino da soli

I futuri computer quantistici potrebbero contenere milioni di minuscoli bit quantistici, o qubit, integrati su chip a semiconduttore. Oggi, ottenere anche solo una manciata di questi qubit funzionanti richiede settimane di messa a punto meticolosa da parte di ricercatori esperti, che regolano manualmente decine di “manopole” elettroniche. Questo articolo descrive un sistema che affida quel compito alla macchina stessa: una procedura automatizzata che può risvegliare un chip quantistico freddo e silenzioso e guidarlo fino a ottenere un qubit funzionante senza intervento umano.

Perché tarare i chip quantistici è così difficile

I qubit di spin in semiconduttore sono promettenti per i computer quantistici perché, in linea di principio, possono essere prodotti con tecniche simili a quelle impiegate per i normali chip per computer. Ogni qubit risiede in una regione minuscola di un nanofilo o di un transistor, definita e controllata da tensioni su molti elettrodi di gate. Per ottenere un qubit affidabile, i gate devono essere regolati in modo che la giusta quantità di carica elettrica si trovi nei punti corretti, le barriere tra le regioni non siano né troppo alte né troppo basse e il qubit possa essere letto e controllato mediante impulsi microonde. Tutte queste condizioni dipendono in modo delicato da più tensioni e campi magnetici contemporaneamente, perciò lo spazio delle possibili impostazioni è enorme—come cercare un singolo granello di sabbia in un cumulo delle dimensioni di una casa. Questa complessità è ciò che attualmente limita i chip quantistici sperimentali a pochi qubit per dispositivo, nonostante la fabbricazione potrebbe supportarne molti di più.

Un operatore robotico passo dopo passo

Gli autori costruiscono un “operatore digitale” in quattro fasi che prende in carico questa ricerca. Parte da un dispositivo con tutte le tensioni dei gate impostate a zero e usa misure delle piccolissime correnti elettriche che scorrono attraverso il nanofilo come feedback. Nella prima fase, il sistema apprende dove la corrente inizia e si interrompe mentre esplora combinazioni di tensioni sui gate di barriera, e usa un modello statistico per delineare una regione dove può formarsi un doppio punto quantico—una coppia di pozze di carica adiacenti. Nella seconda fase si concentra su quella regione e rimodella le barriere in modo che certi pattern di corrente, detti triangoli di polarizzazione, diventino netti e ben separati, segnale che i livelli energetici all’interno del dispositivo sono adatti per isolare stati di spin.

Insegnare alla macchina cosa cercare

Per riconoscere pattern promettenti senza un umano in loop, l’algoritmo si basa su diversi filoni della moderna scienza dei dati. Reti neurali, addestrate su migliaia di misure e simulazioni precedenti, possono stabilire se un’immagine di corrente corrisponde a un doppio punto ben formato, se è affetta da improvvisi salti di carica disturbanti, o se mostra il marchio della “blocco di spin”, una condizione necessaria per trasformare l’informazione di spin in un segnale di corrente facilmente misurabile. Altri metodi di visione artificiale trovano e seguono automaticamente caratteristiche geometriche nei dati, come i bordi e le punte dei triangoli di polarizzazione. L’ottimizzazione bayesiana, una strategia per una ricerca efficiente per tentativi, propone nuove impostazioni di tensione che hanno maggior probabilità di migliorare un punteggio scelto—per esempio, una misura relativa a quanto nettamente stati di spin diversi sono separati in energia.

Dal dispositivo grezzo al qubit funzionante

Una volta che l’algoritmo ha trovato una transizione che mostra il blocco di spin, entra nella fase finale: cerca non solo tra le tensioni dei gate, ma anche tra frequenza delle microonde, campo magnetico e durata degli impulsi per individuare condizioni in cui lo spin risponde in modo coerente. Cerca un picco nella corrente di perdita mentre il campo magnetico viene variato, usando un punteggio basato sull’entropia per isolare tracce dove una caratteristica chiara risalta sullo sfondo. Quando viene trovato un candidato probabile, il sistema esegue automaticamente misure più dettagliate, incluse mappe di oscillazioni note come chevron di Rabi, per confermare di avere un comportamento da qubit autentico e controllabile. Nei test su un dispositivo in nanofilo germanio–silicio, la procedura ha raggiunto con successo chiare oscillazioni di Rabi—prova solida di un qubit funzionante—in 10 su 13 esecuzioni, tipicamente entro circa un giorno e mezzo di funzionamento completamente automatizzato.

Aprire la porta a grandi processori quantistici

Per un non esperto, il messaggio chiave è che questo lavoro mostra come la parte più noiosa e che richiede maggiore competenza nell’operare chip quantistici possa essere delegata a software intelligente. Invece di ricercatori che cercano manualmente in un vasto spazio di impostazioni, una pipeline automatizzata usa riconoscimento di pattern ed esplorazione guidata per trovare piccoli “punti ottimali” che altrimenti rimarrebbero nascosti. Poiché il metodo è modulare e si basa su schemi di misura generali piuttosto che su trucchi specifici del dispositivo, dovrebbe trasferirsi ad altri progetti di chip quantistici e può essere esteso per caratterizzare come varia la qualità dei qubit su un wafer. Man mano che i processori quantistici cresceranno da dozzine a migliaia o milioni di qubit, tale taratura senza mani e auto-ottimizzazione sarà essenziale per trasformare i prototipi di laboratorio in tecnologie quantistiche pratiche.

Citazione: 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

Parole chiave: qubit di spin, automazione dei dispositivi quantistici, apprendimento automatico, calcolo quantistico a semiconduttore, punti quantici in nanofili