Volledig autonome afstemming van een spin-qubit

Quantumchips zichzelf laten afstemmen

Toekomstige kwantumcomputers kunnen miljoenen kleine kwantumbits, of qubits, bevatten die op halfgeleiderchips zijn gepropt. Tegenwoordig vergt het laten functioneren van zelfs maar een handvol van die qubits weken van zorgvuldig bijregelen door deskundige onderzoekers, die tientallen elektronische “knoppen” handmatig afstemmen. Dit artikel beschrijft een systeem dat die taak aan de machine zelf overdraagt: een geautomatiseerde procedure die een koude, stille quantumchip kan opstarten en zonder menselijke tussenkomst begeleidt tot een werkend qubit.

Waarom het afstemmen van quantumchips zo moeilijk is

Halfgeleiderspin-qubits zijn veelbelovende bouwstenen voor kwantumcomputers omdat ze in principe vervaardigd kunnen worden met technieken die lijken op die voor alledaagse computerchips. Elk qubit leeft in een piepklein gebied van een nanodraad of transistor, gedefinieerd en gestuurd door spanningen op vele poortelektroden. Om een betrouwbaar qubit te maken, moeten de poorten zodanig worden ingesteld dat precies de juiste hoeveelheid elektrische lading op precies de juiste plaatsen aanwezig is, de barrières tussen regio’s noch te hoog noch te laag zijn, en het qubit uitgelezen en bestuurd kan worden met microgolfpulsen. Al deze voorwaarden hangen gevoelig af van meerdere spanningen en magnetische velden tegelijk, waardoor de ruimte van mogelijke instellingen enorm is — als het zoeken naar een enkele zandkorrel in een huisgroot hoop. Die complexiteit beperkt experimentele quantumchips momenteel tot slechts een paar qubits per apparaat, ook al zou de fabricage veel meer kunnen toelaten.

Een stapsgewijze robotoperator

De auteurs bouwen een viervoudige “digitale operator” die deze zoekactie overneemt. Hij begint bij een apparaat met alle poortspanningen op nul en gebruikt metingen van de kleine elektrische stromen door de nanodraad als feedback. In de eerste fase leert het systeem waar stroom begint en stopt terwijl het combinaties van barrièrepoorten afspeurt, en gebruikt een statistisch model om een gebied af te bakenen waar een dubbel kwantumdotsysteem — een paar naast elkaar liggende ladingplasjes — kan ontstaan. In de tweede fase concentreert het zich op dat gebied en hervormt het de barrières zodat bepaalde stroompatronen, zogenaamde bias-driehoeken, scherp en goed gescheiden worden, wat aangeeft dat de energieniveaus binnen het apparaat geschikt zijn om spin-toestanden te isoleren.

De machine leren waarnaar te zoeken

Om veelbelovende patronen zonder mens in de lus te herkennen, leunt het algoritme op verschillende takken van moderne datawetenschap. Neurale netwerken, getraind op duizenden eerdere metingen en simulaties, kunnen bepalen of een stroombeeld overeenkomt met een goed gevormd dubbel dot, of het last heeft van storende ladingverspringingen, of dat het het kenmerk van “spin-blokkade” vertoont — een toestand die nodig is om spininformatie in een gemakkelijk meetbaar stroomteken om te zetten. Andere computervisie-routines vinden en volgen automatisch geometrische kenmerken in de data, zoals de randen en punten van de bias-driehoeken. Bayesiaanse optimalisatie, een strategie voor efficiënte proef-en-fout-zoektochten, doet voorstellen voor nieuwe spanningsinstellingen die het meest waarschijnlijk een gekozen score verbeteren — bijvoorbeeld een maat voor hoe schoon verschillende spin-toestanden energetisch van elkaar gescheiden zijn.

Van ruwe apparaten tot werkend qubit

Zodra het algoritme een overgang heeft gevonden die spin-blokkade laat zien, komt het in de laatste fase: niet alleen zoeken in poortspanningen, maar ook in microgolffrequentie, magnetisch veld en pulslengte om omstandigheden te vinden waarin de spin coherent reageert. Het zoekt naar een piek in de lekstroom terwijl het magnetische veld wordt gescand, en gebruikt een entropie-gebaseerde score om sporen aan te wijzen waarin een duidelijk kenmerk uit de achtergrond steekt. Wanneer een waarschijnlijke kandidaat is gevonden, voert het systeem automatisch meer gedetailleerde metingen uit, waaronder patronen van oscillaties bekend als Rabi-chevronnen, om te bevestigen dat er daadwerkelijk bestuurbaar qubitgedrag is. In tests op een germanium–silicium nanodraapparaat bereikte de procedure succesvol duidelijke Rabi-oscillaties — overtuigend bewijs van een werkend qubit — in 10 van de 13 runs, doorgaans binnen ongeveer anderhalve dag volledig geautomatiseerde werking.

De deur openen naar grote kwantumprocessoren

Voor de leek is de kernboodschap dat dit werk laat zien hoe het meest vervelende en expertise-intensieve deel van het bedienen van quantumchips kan worden toevertrouwd aan slimme software. In plaats van onderzoekers die handmatig door een enorme instellingruimte zoeken, gebruikt een geautomatiseerde pijplijn patroonherkenning en geleide verkenning om kleine “sweet spots” te vinden die anders verborgen zouden blijven. Omdat de methode modulair is en steunt op algemene meetpatronen in plaats van apparaat-specifieke trucs, zou ze overdraagbaar moeten zijn naar andere ontwerpen van quantumchips en uitgebreid kunnen worden om te karakteriseren hoe de qubitkwaliteit over een wafer varieert. Naarmate kwantumprocessoren groeien van tientallen naar duizenden of miljoenen qubits, zullen dergelijke handsfree-afstemming en zelfoptimalisatie essentieel zijn om laboratoriumprototypen om te zetten in praktische kwantumtechnologieën.

Bronvermelding: 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

Trefwoorden: spin-qubits, automatisering van kwantumapparaten, machine learning, halfgeleider-kwantumcomputing, nanodraad-kwantumdots