迄今為止，量子計算機的應用仍相對有限，但研究人員正在努力嘗試擴大其規模。基于硅量子位的可容錯量子計算機體系結構的一種構建方法，是將單個磷原子放置在 2D 網格上。接著通過納米電子線，控制一兩個量子比特的邏輯門來執行計算。然而這種方法在很大程度上取決于磷原子晶格點位的數量級，原子量子點位的不確定性，對其相互作用的破壞性達到了好幾個數量級。

如此一來，將導致兩個量子位門的運算錯誤，對給定計算產生了不準確的結果。在大規模的量子計算體系結構中，這種影響將呈指數級放大。

為幫助解決這一問題，2016 年的時候，墨爾本大學的研究人員使用了磷原子波函數的計算機掃描隧道顯微鏡（STM）圖像，來確定其在硅上的空間位置。

這允許以單個晶格來高度精確地找到原子的量子點位，不過下一個挑戰，就是如何將這種精確的空間定位方法，擴大到大規模、可容錯的量子計算機體系結構中。

為開發此框架，研究人員現借助深度學習工具，在 10 萬張數量級的 STM 圖像集上開展卷積神經網絡（CNN）的計算訓練，然后嘗試對 1.76 萬張測試圖像進行識別。

結果發現，盡管這些圖像帶有真實環境中常見的模糊和不對稱造型，卷積神經網絡對測試圖像的分類精度仍超過了 98% 。

實驗證明了這種基于機器學習的技術能夠以高通量、高精度和最少的人機交互，來處理量子比特的測量數據。

此外，研究表明該技術具有擴大由多個磷原子組成的量子比特的潛力。在這樣的設置下，潛在的圖像配置數量可成倍增加。

研究團隊表示，這種基于機器學習的技術，能夠在可容錯的通用型量子計算機的開發商發揮關鍵作用，這也是全世界研究人員的終極目標。

有關這項研究的詳情，已經發表在近日出版的《自然》（Nature）期刊上，原標題為：《Framework for atomic-level characterisation of quantum computer arrays by machine learning》。