FNO-Based Inverse Co-Design of Semiconducting Quantum-Dot Devices

Quantencomputer versprechen, Probleme zu lösen, die selbst für die leistungsstärksten Supercomputer derzeit unmöglich sind, aber der Bau dieser Maschinen erfordert eine Präzision, die an das Unmögliche grenzt. Das Herzstück vieler dieser Maschinen sind winzige Inseln aus Elektrizität, sogenannte Quantenpunkte (Quantum Dots), die einzelne Elektronen oder Löcher einfangen, um als Basiseinheiten der Information oder Qubits zu fungieren. Um diese Punkte funktionsfähig zu machen, müssen Ingenieure die elektrischen Felder um sie herum mithilfe mikroskopischer Metall-Gates sorgfältig formen. Die Position, Größe und Form dieser Punkte bestimmen, wie gut der Computer funktioniert, doch der Prozess ihrer Erstellung ist oft ein Spiel aus Versuch und Irrtum. Forscher bauen ein Gerät, testen es, und wenn sich die Quantenpunkte nicht am richtigen Ort oder in der richtigen Form bilden, müssen sie einen neuen Chip fertigen und es erneut versuchen. Dieser Zyklus ist langsam, teuer und schränkt die Fähigkeit ein, Chips mit spezifischen, leistungsstarken Eigenschaften zu entwerfen, bevor sie überhaupt hergestellt werden.

Ein Forschungsteam hat nun einen neuen Weg entwickelt, diese Geräte zu entwerfen, der die Notwendigkeit endloser physischer Tests umgeht. Anstatt Chips zu bauen und wieder zu zerstören, um zu lernen, was funktioniert, haben sie ein digitales System geschaffen, das in einem Bruchteil einer Sekunde ein perfektes Gerätedesign entwerfen und verfeinern kann. Durch die Kombination eines schnellen Modells der künstlichen Intelligenz mit einem mathematischen Verständnis darüber, wie Elektrizität sich verhält, hat das Team demonstriert, dass sie die exakte Form und Position der Quantenpunkte auf einem Computerbildschirm entwerfen können, noch bevor jemals Metall auf einen Wafer aufgedampft wird. Dieser Ansatz ermöglicht es ihnen, die physische Form der Metall-Gates und die an sie angelegte Spannung gemeinsam zu optimieren und Konfigurationen zu finden, die durch traditionelle Methoden nahezu unmöglich zu entdecken wären.

Der Kern dieser neuen Methode beruht auf einer klugen Abkürzung. Um einen Quantenpunkt zu entwerfen, muss man verstehen, wie die elektrischen Felder der Metall-Gates die eingefangenen elektrischen Ladungen drücken und ziehen. Normalerweise erfordert die Berechnung dessen eine komplexe Physik-Simulation, die für ein einzelnes Design fast eine Minute dauern kann. Wenn ein Forscher tausende Variationen testen möchte, um die beste zu finden, würde der Prozess Wochen oder Monate dauern. Die Forscher lösten dies, indem sie eine spezialisierte Art der künstlichen Intelligenz trainierten, bekannt als Fourier-Neural-Operator, die als Stellvertreter für den langsamen Physik-Simulator fungiert. Sie fütterten die KI mit tausenden Beispielen von Gate-Layouts und den daraus resultierenden Ladungsmustern, die durch den langsamen Simulator erzeugt wurden. Einmal trainiert, lernte die KI die Beziehung zwischen den Gate-Formen und der resultierenden elektrischen Landschaft so gut, dass sie das Ergebnis eines neuen Designs in nur einer Millisekunde vorhersagen konnte.

Diese Beschleunigung ist nicht bloß eine Frage der Bequemlichkeit; sie verändert das, was möglich ist. Das KI-Modell, das die Verteilung der elektrischen Ladung mit einem Fehler von weniger als einem Prozent vorhersagt, ist schnell genug, um innerhalb einer Schleife verwendet zu werden, die das Design ständig anpasst. Da die KI „differenzierbar“ ist – was bedeutet, dass ihre interne Mathematik die Berechnung darüber erlaubt, wie kleine Änderungen das Ergebnis beeinflussen –, kann das System die Gate-Formen und Spannungen automatisch in die richtige Richtung lenken, um ein gewünschtes Ziel zu erreichen. Die Forscher setzten ein Ziel, bei dem die Ladung eine spezifische Form annehmen sollte, wie etwa ein vertikal gestrecktes Oval oder ein horizontal gestrecktes Oval, und ließen das System die Gates modifizieren, um dies zu erreichen.

In ihren Experimenten startete das Team mit einem bekannten Design für ein Doppel-Quantenpunkt-Gerät, das aus zwei benachbarten Fallen für elektrische Ladungen besteht. Sie baten das System, die Ladung in zwei unterschiedliche Konfigurationen umzugestalten: eine, bei der die Punkte vertikal gestreckt waren, und eine, bei der sie horizontal gestreckt waren. Diese unterschiedlichen Formen sind wichtig, da sie beeinflussen, wie die Qubits agieren, beispielsweise wie schnell sie gesteuert werden können. Das System modifizierte erfolgreich die Kanten der Metall-Gates und passte die Spannungen an, um diese präzisen Formen zu erzeugen. Die resultierenden Designs waren so genau, dass die Forscher sie mit dem ursprünglichen, langsamen Physik-Simulator testeten und die Ergebnisse fast perfekt mit den Vorhersagen der KI übereinstimmten, wobei die Unterschiede in der Grenze der Ladungs-Dots nur wenige Nanometer betrugen.

Die Forscher testeten auch, ob das System die Komplexität mehrerer Punkte gleichzeitig bewältigen kann. Sie fanden heraus, dass die KI das gesamte Gerät gleichzeitig optimieren kann oder dass sie jeden Punkt unabhängig voneinander optimieren und die Ergebnisse dann kombinieren kann. In beiden Fällen erzeugte das System Gate-Layouts, die strenge Fertigungsregeln erfüllten, wie etwa sicherzustellen, dass die Metall-Gates einander nicht zu nahe kommen oder zu dünn sind, um gebaut werden zu können. Die Tatsache, dass die unabhängigen und simultanen Ansätze nahezu identische Ergebnisse lieferten, deutet darauf hin, dass diese Methode skaliert werden kann, um viel größere Arrays von Quantenpunkten zu entwerfen, bei denen die gleichzeitige Optimierung jeder einzelnen Komponente zu rechenintensiv wäre.

Diese Arbeit stellt eine bedeutende Verschiebung in der Entwicklung von Quantenhardware dar. Jahrelang verließ sich das Feld auf die Verfeinerung bestehender Layouts durch Post-Fabrikations-Tuning, bei dem Ingenieure die Spannungen nach der Herstellung des Chips anpassen, um das Gerät bestmöglich zu machen. Diese neue Methode verlagert diesen Optimierungsschritt in die Designphase. Indem sie es Ingenieuren ermöglicht, die exakten Formen und Eigenschaften festzulegen, die sie benötigen, noch vor der Fertigung, öffnet dieser Ansatz die Tür zur Schaffung von Quantenprozessoren mit maßgeschneiderten Fähigkeiten. Während sich die aktuelle Studie auf die Form der Ladungskonfinement konzentrierte, ist das Framework flexibel genug, um in Zukunft auch andere kritische Eigenschaften wie die Geschwindigkeit der Qubits oder deren Widerstandsfähigkeit gegen Rauschen zu optimieren. Die Fähigkeit, diese komplexen Geräte mit solcher Präzision und Geschwindigkeit zu entwerfen, bringt das Ziel eines skalierbaren, zuverlässigen Quantencomputings einen Schritt näher an die Realität.