自主管理的自旋量子比特调谐

让量子芯片自我调谐

未来的量子计算机可能在半导体芯片上集成数以百万计的微小量子比特（qubit）。而如今，即便让少数几个这样的比特正常工作，也需要专家研究人员用数周时间反复微调，手动调节数十个电子“旋钮”。本文描述了一个将这项工作交给机器完成的系统：一种自动化程序，能够唤醒处于低温静默状态的量子芯片，并在无人干预的情况下将其一路引导到可工作的量子比特状态。

为什么调谐量子芯片如此困难

半导体自旋量子比特是有前景的量子计算构件，因为它们理论上可以用与普通计算机芯片类似的制造工艺制成。每个比特位于纳米线或晶体管的微小区域内，并由许多栅极电压来定义和控制。要制造出可靠的量子比特，必须将栅极调到恰当的电荷分布，确保各区域之间的势垒既不过高也不过低，并且能够通过微波脉冲对比特进行读取和控制。所有这些条件都对多个电压与磁场的组合高度敏感，因此可能的设置空间极其庞大——如同在一堆房屋大小的沙堆中寻找一粒沙子。这种复杂性目前限制了实验量子芯片每器件只有少数量子比特，尽管制造能力本可支持更多。

分步骤的机器人操作员

作者构建了一个由四个阶段组成的“数字操作员”来接管这一搜索任务。它从所有栅极电压设为零的器件开始，以流经纳米线的微弱电流测量作为反馈。在第一阶段，系统在扫动不同势垒栅电压组合时学习电流何时出现与消失，并用统计模型勾画出可能形成双量子点（相邻的两个电荷“水坑”）的区域。在第二阶段，它聚焦于该区域并重塑势垒，使所谓的偏置三角形（bias triangles）变得清晰且相互分离，表明器件内部的能级适合将自旋态隔离开来。

教会机器去识别要找的特征

为了在没有人工介入的情况下识别有前途的图样，算法借助了现代数据科学的多个分支。经由成千上万次先前测量和模拟训练得到的神经网络，可以判断电流图像是否对应良好形成的双量子点、是否受扰动性电荷跳跃影响，或是否显示“自旋封锁”的特征——这是将自旋信息转换为可测电流信号所需的条件。其他计算机视觉例程自动在数据中寻找并追踪几何特征，例如偏置三角形的边缘与尖端。贝叶斯优化作为一种高效的试错搜索策略，会提出最有可能提高所选评分的新电压设置——例如与不同自旋态在能量上清晰分离程度相关的度量。

从原始器件到可工作的量子比特

一旦算法找到了显示自旋封锁的转换，它便进入最终阶段：不仅在栅极电压上搜索，还在微波频率、磁场和脉冲长度等参数上寻找，使自旋呈现相干响应。它在扫磁场时寻找泄漏电流的峰值，使用基于熵的评分来挑选出从背景中明显突出的迹线。当找到可能的候选点时，系统会自动执行更详细的测量，包括被称为拉比（Rabi）箭羽图的振荡模式，以确认确实具备可控的量子比特行为。在对锗-硅纳米线器件的测试中，该程序在13次运行中有10次成功获得清晰的拉比振荡——这是工作量子比特的有力证据——通常在大约一天半的全自动运行内完成。

为大型量子处理器打开大门

对非专业读者而言，关键结论是：这项工作展示了如何将操作量子芯片中最繁琐且最依赖专业知识的部分委托给智能软件。研究人员无需再手动在浩瀚的设置空间中逐一寻找，自动化流程通过模式识别和有指导的探索找到原本难以察觉的微小“甜点”区域。由于该方法具有模块化特性，并依赖于通用的测量模式而非器件特定的技巧，它应能迁移到其他量子芯片设计，并可扩展用于表征晶圆上比特质量的空间变化。随着量子处理器从数十个比特扩大到数千或数百万个比特，这种免手动的调谐与自我优化将是把实验室原型转变为实用量子技术的关键。

引用: 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

关键词: 自旋量子比特, 量子器件自动化, 机器学习, 半导体量子计算, 纳米线量子点