物理感知

牛津大学团队使用机器学习方法,来弥合量子设备的现实差距

编辑 | 萝卜皮现实与模拟之间的差异阻碍了固态量子器件的优化和可扩展性。由不可预测的材料缺陷分布引起的无序是造成现实差距的主要原因之一。牛津大学的研究团队使用物理感知机器学习来弥补这一差距,特别是使用结合物理模型、深度学习、高斯随机场和贝叶斯推理的方法。这种方法使科学家能够从电子传输数据推断纳米级电子设备的无序潜力。通过验证算法对 AlGaAs/GaAs 中横向定义的量子点器件所需的栅极电压值的预测来验证这一推论,从而产生与双量子点体系相对应的电流特征。该研究以「Bridging the Reality Gap i
  • 1