到目前为止，量子计算机的使用一直相对有限，但是研究人员正在尝试扩展它。建立基于硅量子位的容错量子计算机体系结构的一种方法是将单个磷原子放置在2D网格上，然后通过控制通过纳米电子线的一个或两个量子位的逻辑门来执行计算。
但是，该方法在很大程度上取决于磷原子晶格点的数量级，并且原子量子点的不确定性会破坏几个数量级。这样，将导致两个量子位门运算错误，给定的计算结果不准确，在大规模量子计算体系结构中，此效应呈指数级放大。
为了帮助解决这一问题，2016年，墨尔本大学的研究人员使用了磷原子波函数的计算机扫描隧道显微镜（STM）图像来确定其在硅上的空间位置。这允许单个晶格高度精确地定位，但是下一个挑战是如何将这种精确的空间定位方法扩展到大规模的容错量子计算机体系结构。
为了开发此框架，最近研究人员现在使用深度学习工具对卷积神经网络（CNN）的100,000个数量级的STM图像集进行计算训练，然后尝试识别176,000个测试图像。结果发现，尽管在实际环境中普遍存在模糊和不对称的形状，但卷积神经网络的得分却超过了测试图像的分类精度的98％。实验表明，这种基于机器学习的技术可以以高吞吐量、高精度和最少的人机交互来处理量子位测量数据。此外，研究表明该技术具有扩展由多个磷原子组成的量子位的潜力。在此设置下，潜在图像配置的数量可以成倍增加。
研究小组说，基于机器学习的技术是全球研究人员的最终目标，该技术可以在容错通用量子计算机的开发人员中发挥关键作用。该研究的详细信息已发表在最近出版的《自然》杂志上，该杂志最初的标题为：框架-通过机器学习对量子asty s阵列进行字符平整。
自新型冠状病毒肺炎疫情爆发以来，新利18国际娱乐一直密切关注疫情进展，根据国家及地方政府的最新调控与安排，为更好的服务相关企业，在疫情期间，新利18国际娱乐免费发布企业相关文章，免费成为新利18国际娱乐认证作者，请点击认证，大家同心协力，抗击疫情，为早日打赢这场防控攻坚战贡献自己的一份力量。