FNO-Based Inverse Co-Design of Semiconducting Quantum-Dot Devices
本文提出了一种可微逆向协同设计框架，该框架结合了傅里叶神经算子代理模型与 Thomas-Fermi 模拟器，旨在在制造前快速且准确地优化栅极电极布局与电压，从而定制半导体量子点的形状与位置。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
量子计算机有望解决目前即使是功能最强大的超级计算机也无法解决的问题，但制造它们所需的精度近乎于不可能。在许多这类机器的核心，存在着被称为“量子点”的微小电岛，它们捕捉单个电子或空穴，以此作为信息的基本单元，即量子比特。为了让这些量子点发挥作用，工程师必须使用微型金属栅极来仔细塑造它们周围的电场。这些量子点的位置、大小和形状决定了计算机运行的效果，然而，创造它们的过程往往是一场试错游戏。研究人员制造一个器件，测试它，如果量子点没有在正确的位置形成或具有正确的形状，他们就必须重新制造一个新的芯片并再次尝试。这个循环过程缓慢且昂贵，限制了在芯片制造之前设计出具有特定高性能特征芯片的能力。
现在，一个研究团队开发了一种全新的器件设计方法，绕过了对无止尽物理测试的需求。该团队不再通过制造并损坏芯片来学习经验，而是创建了一个数字系统，可以在一瞬间构思并完善出完美的器件布局。通过将快速的人工智能模型与对电学行为的数学理解相结合，该团队展示了他们可以在任何金属沉积到晶圆上之前，就在电脑屏幕上设计出量子点的精确形状和位置。这种方法允许他们对金属栅极的物理形状和施加在其上的电压进行协同优化，从而找到那些通过传统方法几乎不可能发现的配置。
这种新方法的核心依赖于一个巧妙的捷径。要设计一个量子点，必须了解来自金属栅极的电场是如何推拉被捕获的电荷的。通常，计算这一过程需要运行复杂的物理模拟，对于单个设计而言，可能需要近一分钟的时间。如果研究人员想要测试数千种变化以寻找最佳方案，整个过程将耗时数周甚至数月。研究人员通过训练一种特殊的、被称为“傅里叶神经算子”的人工智能来解决了这个问题，使其充当缓慢物理模拟器的替代品。他们向人工智能输入了数千个由慢速模拟器生成的栅极布局及其产生的电荷模式示例。训练完成后，人工智能极其精准地掌握了栅极形状与产生的电场景观之间的关系，以至于它能在仅一毫秒内预测出新设计的输出结果。
这种加速不仅仅是为了方便；它改变了可能性。该人工智能模型预测电荷分布的误差小于百分之一，其速度足以被用于一个不断调整设计的循环之中。由于该人工智能是“可微的”，这意味着其内部数学逻辑允许计算微小变化如何影响结果，因此系统可以自动引导栅极形状和电压向正确的方向移动，以达到预期的目标。研究人员设定了一个目标，即让电荷形成特定的形状，例如垂直拉长的椭圆或水平拉长的椭圆，并让系统自行确定如何修改栅极来实现这一目标。
在实验中，团队从一个已知的双量子点器件设计开始，该器件由两个相邻的电荷陷阱组成。他们要求系统将电荷重塑为两种不同的配置：一种是量子点呈垂直拉长，另一种是水平拉长。这些不同的形状非常重要，因为它们会影响量子比特的行为，例如控制它们的速度。系统成功地修改了金属栅极的边缘并调整了电压，以创造出这些精确的形状。所得设计非常准确，当研究人员使用原始的慢速物理模拟器进行测试时，结果与人工智能的预测几乎完美吻合，电荷点边界的差异仅为几纳米。
研究人员还测试了该系统是否能处理同时处理多个量子点的情况。他们发现，人工智能既可以同时优化整个器件，也可以独立优化每个量子点然后将结果结合起来。在这两种情况下，系统生成的栅极布局都符合严格的制造规则，例如确保金属栅极不会靠得太近或变得过薄而无法制造。独立优化与同步优化产生的结果几乎一致，这表明该方法可以扩展到设计更大规模的量子点阵列，因为在那种情况下，同时优化每一个组件在计算上会过于沉重。
这项工作代表了量子硬件开发方式的一次重大转变。多年来，该领域一直依赖于通过“制造后调优”来改进现有布局，即工程师在芯片制造完成后通过调整电压，使器件达到最佳工作状态。这种新方法将优化步骤提前到了设计阶段。通过允许工程师在制造前指定所需的精确形状和特性，这种方法为创造具有定制化能力的量子处理器打开了大门。虽然目前的研究重点是电荷约束的形状，但该框架具有足够的灵活性，未来可以扩展到优化其他关键属性，例如量子比特的速度或其抗噪声能力。这种能够以如此高的精度和速度设计复杂器件的能力，使实现可扩展、可靠的量子计算的目标离现实又近了一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。