Полностью автономная настройка спинового кубита

Когда квантовые чипы настраивают себя сами

В будущих квантовых компьютерах может быть миллионы крошечных квантовых битов, или кубитов, размещённых на полупроводниковых пластинах. Сегодня добиться корректной работы даже нескольких таких кубитов требует недель кропотливой настройки, выполняемой экспертами вручную — они поворачивают десятки электронных «ручек». В этой статье описана система, которая передаёт эту задачу самой машине: автоматическая процедура, способная «разбудить» холодный молчаливый квантовый чип и довести его до рабочего кубита без вмешательства человека.

Почему настройка квантовых чипов так трудна

Спиновые полупроводниковые кубиты привлекательны как строительные блоки квантовых компьютеров, потому что их, по сути, можно производить методами, близкими к тем, что используются для обычных компьютерных чипов. Каждый кубит находится в крошечной области нанопровода или транзистора, определяемой и управляемой напряжениями на множестве гейт-электродов. Чтобы получить надёжный кубит, гейты нужно так настроить, чтобы в нужных местах оказалось ровно нужное количество заряда, барьеры между областями были ни слишком высокими, ни слишком низкими, а кубит можно было бы считать и управлять им с помощью микроволновых импульсов. Все эти условия тонко зависят одновременно от нескольких напряжений и магнитных полей, поэтому пространство возможных настроек огромно — словно искать одно песчинку в куче размером с дом. Эта сложность в настоящее время ограничивает экспериментальные квантовые чипы всего несколькими кубитами на устройство, хотя производство могло бы поддерживать намного больше.

Пошаговый робот-оператор

Авторы создают четырёхступенчатого «цифрового оператора», который берёт на себя этот поиск. Он стартует с устройства, у которого все гейт-напряжения установлены в ноль, и использует измерения крошечных электрических токов, протекающих через нанопровод, в качестве обратной связи. На первом этапе система выясняет, где начинает и где прекращается ток при переборе комбинаций напряжений на барьерных гейтах, и с помощью статистической модели очерчивает область, в которой может сформироваться двойная квантовая точка — пара соседних «лужиц» заряда. На втором этапе она фокусируется на этой области и перестраивает барьеры так, чтобы одни определённые картинные паттерны тока, называемые bias-треугольниками, становились резкими и чётко разделёнными — признаком того, что уровни энергии внутри устройства подходят для изоляции спиновых состояний.

Обучение машины тому, что искать

Чтобы распознавать перспективные паттерны без участия человека, алгоритм опирается на несколько направлений современной науки о данных. Нейросети, обученные на тысячах предыдущих измерений и моделированиях, могут определить, соответствует ли изображение тока хорошо сформированной двойной точке, сопровождается ли оно разрушительными скачками заряда или демонстрирует признак «спинового блокирования» — состояние, необходимое для превращения информации о спине в легко измеримый ток. Другие методы компьютерного зрения автоматически находят и отслеживают геометрические особенности в данных, такие как края и вершины bias-треугольников. Байесовская оптимизация, стратегия эффективного пробного поиска, предлагает новые настройки напряжений, наиболее вероятно улучшающие выбранную метрику — например, меру, связанную с тем, насколько чётко различные спиновые состояния разнесены по энергии.

От голого устройства к рабочему кубиту

Когда алгоритм находит переход, показывающий спиновое блокирование, он переходит в финальную стадию: поиск ведётся не только по гейт-напряжениям, но и по частоте микроволн, магнитному полю и длительности импульса, чтобы обнаружить условия, при которых спин реагирует когерентно. Система ищет пик в утечечном токе при изменении магнитного поля, используя меру на основе энтропии, чтобы выделить трассы, где явная особенность выделяется на фоне. При обнаружении многообещающего кандидата автоматически выполняются более детальные измерения, включая картины осцилляций, известные как Rabi-«шеломы» (chevrons), чтобы подтвердить наличие настоящего управляемого кубита. В тестах на нанопроводе из германий–кремния процедура успешно получила чёткие Rabi-осцилляции — убедительное свидетельство рабочего кубита — в 10 из 13 запусков, обычно в течение приблизительно полутора суток полностью автоматической работы.

Открывая дорогу крупным квантовым процессорам

Ключевая мысль для неспециалиста в том, что эта работа показывает: самую утомительную и требующую большого опыта часть эксплуатации квантовых чипов можно поручить умному программному обеспечению. Вместо того чтобы исследователи вручную искали в огромном пространстве настроек, автоматизированный конвейер использует распознавание шаблонов и направленный поиск, чтобы находить крошечные «сладкие точки», которые иначе остались бы скрытыми. Поскольку метод модульный и опирается на общие шаблоны измерений, а не на уловки, специфичные для конкретного устройства, он должен переноситься на другие конструкции квантовых чипов и может быть расширен для характеристики того, как качество кубитов варьируется по пластине. По мере роста квантовых процессоров от десятков до тысяч и миллионов кубитов такая бесконтактная настройка и самоп优化ция станут необходимыми для превращения лабораторных прототипов в практические квантовые технологии.

Цитирование: 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

Ключевые слова: спиновые кубиты, автоматизация квантовых устройств, машинное обучение, полупроводниковые квантовые вычисления, квантовые точки в нанопроводах