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

Quantumcomputers beloven problemen op te lossen die momenteel onmogelijk zijn voor zelfs de krachtigste supercomputers, maar het bouwen ervan vereist een niveau van precisie dat grenst aan het onmogelijke. In het hart van veel van deze machines bevinden zich minuscule eilandjes van elektriciteit die quantum dots worden genoemd, die enkele elektronen of gaten vangen om te fungeren als de basiseenheden van informatie, of qubits. Om deze dots te laten werken, moeten ingenieurs de elektrische velden eromheen zorgvuldig vormgeven met behulp van microscopische metalen poorten. De positie, grootte en vorm van deze dots bepalen hoe goed de computer functioneert, maar het proces van het creëren ervan is vaak een spel van vallen en opstaan. Onderzoekers bouwen een apparaat, testen het, en als de quantum dots niet op de juiste plek of met de juiste vorm worden gevormd, moeten ze een nieuwe chip fabriceren en het opnieuw proberen. Deze cyclus is traag, duur en beperkt de mogelijkheid om chips te ontwerpen met specifieke, hoogwaardige eigenschappen voordat ze daadwerkelijk worden gemaakt.

Een team van onderzoekers heeft nu een nieuwe manier ontwikkeld om deze apparaten te ontwerpen die het overbodig maakt om eindeloos fysieke tests uit te voeren. In plaats van chips te bouwen en kapot te maken om te leren wat werkt, hebben ze een digitaal systeem gecreëerd dat in een fractie van een seconde een perfect lay-out van een apparaat kan bedenken en verfijnen. Door een snelle, kunstmatige intelligentie-modellen te combineren met een wiskundig begrip van hoe elektriciteit zich gedraagt, hebben de onderzoekers aangetoond dat ze de exacte vorm en positie van quantum dots op een computerscherm kunnen ontwerpen voordat er ook maar een gram metaal op een wafer is aangebracht. Deze aanpak stelt hen in staat om de fysieke vorm van de metalen poorten en de spanning die erop wordt toegepast gezamenlijk te optimaliseren, waardoor configuraties worden gevonden die via traditionele methoden bijna onmogelijk te ontdekken zouden zijn.

De kern van deze nieuwe methode berust op een slimme afkorting. Om een quantum dot te ontwerpen, moet men begrijpen hoe de elektrische velden van de metalen poorten de gevangen elektrische ladingen duwen en trekken. Normaal gesproken vereist het berekenen hiervan een complexe natuurkundige simulatie die bijna een minuut kan duren voor een enkel ontwerp. Als een onderzoeker duizenden variaties wil testen om de beste te vinden, zou het proces weken of maanden duren. De onderzoekers hebben dit opgelost door een gespecialiseerd type kunstmatige intelligentie, bekend als een Fourier neural operator, te trainen om te fungeren als een surrogaat voor de trage natuurkundige simulator. Ze voedden de AI met duizenden voorbeelden van poortlay-outs en de daaruit voortvloeiende ladingspatronen, gegenereerd door de trage simulator. Eenmaal getraind, leerde de AI de relatie tussen de poortvormen en het resulterende elektrische landschap zo goed dat zij de uitkomst van een nieuw ontwerp in slechts een milliseconde kon voorspellen.

Deze versnelling is niet louter een kwestie van gemak; het verandert wat mogelijk is. Het AI-model, dat de verdeling van de elektrische lading voorspelt met een fout van minder dan één procent, is snel genoeg om gebruikt te worden binnen een lus die het ontwerp constant aanpast. Omdat de AI "differentieerbaar" is, wat betekent dat de interne wiskunde de berekening toestaat van hoe kleine veranderingen het resultaat beïnvloeden, kan het systeem automatisch de poortvormen en spanningen in de juiste richting bijsturen om een gewenst doel te bereiken. De onderzoekers stelden een doel voor de lading om een specifieke vorm aan te nemen, zoals een verticaal uitgerekte ovaal of een horizontaal uitgerekte ovaal, en lieten het systeem uitzoeken hoe de poorten te modificeren om dit te bereiken.

In hun experimenten begonnen de onderzoekers met een bekend ontwerp voor een dubbele quantum dot device, dat bestaat uit twee aangrenzende vallen voor elektrische ladingen. Ze vroegen het systeem om de lading te hervormen naar twee verschillende configuraties: één waarbij de dots verticaal zijn uitgerekt en één waarbij ze horizontaal zijn uitgerekt. Deze verschillende vormen zijn belangrijk omdat ze beïnvloeden hoe de qubits zich gedragen, zoals hoe snel ze kunnen worden aangestuurd. Het systeem slaagde erin de randen van de metalen poorten te wijzigen en de spanningen aan te passen om deze precieze vormen te creëren. De resulterende ontwerpen waren zo nauwkeurig dat wanneer de onderzoekers ze testten met de oorspronkelijke, trage natuurkundige simulator, de resultaten bijna perfect overeenkwamen met de voorspellingen van de AI, waarbij de verschillen in de grens van de ladingsdots slechts enkele nanometers bedroegen.

De onderzoekers testten ook of het systeem de complexiteit van meerdere dots tegelijk aan kon. Ze ontdekten dat de AI het hele apparaat simultaan kon optimaliseren, of dat zij elke dot onafhankelijk kon optimaliseren en vervolgens de resultaten kon combineren. In beide gevallen produceerde het systeem poortlay-outs die voldeden aan strikte fabricagerichtlijnen, zoals het waarborgen dat de metalen poorten niet te dicht bij elkaar kwamen te staan of te dun werden om gebouwd te kunnen worden. Het feit dat de onafhankelijke en simultane benaderingen bijna identieke resultaten opleverden, suggereert dat deze methode kan worden opgeschaald naar het ontwerpen van veel grotere arrays van quantum dots, waarbij het gelijktijdig optimaliseren van elk afzonderlijk onderdeel te rekenintensief zou zijn.

Dit werk vertegenwoordigt een significante verschuiving in de manier waarop quantumhardware wordt ontwikkeld. Jarenlang heeft het vakgebied vertrouwd op het verfijnen van bestaande lay-outs door middel van post-fabricage afstemming, waarbij ingenieurs spanningen aanpassen nadat de chip is gemaakt om het apparaat zo goed mogelijk te laten werken. Deze nieuwe methode verplaatst die optimalisatiestap naar de ontwerpfase. Door ingenieurs de mogelijkheid te bieden om de exacte vorm en eigenschappen te specificeren die ze nodig hebben vóór de fabricage, opent deze aanpak de deur naar het creëren van quantumprocessors met op maat gemaakte capaciteiten. Hoewel de huidige studie zich richtte op de vorm van de ladingsbeperking (charge confinement), is het raamwerk flexibel genoeg om in de toekomst uitgebreid te worden naar het optimaliseren van andere kritieke eigenschappen, zoals de snelheid van de qubits of hun weerstand tegen ruis. Het vermogen om deze complexe apparaten met dergelijke precisie en snelheid te ontwerpen, brengt het doel van schaalbare, betrouwbare quantumcomputing een stap dichter bij de realiteit.