Сито для квантовых самородков: как нейросеть просеивает дефекты в карбиде кремния ✎

Оригинал: "Prescreening Point Defects in Semiconductors With Machine Learning"
arXiv:2609.14846v1 · 2026-09-13 · arXiv non-exclusive · собственный разбор · 2 мин
Машинное обучение быстро отбраковывает бесполезные дефекты в кристалле, оставляя только те, что могут стать кубитами.

Золотоискатель не промывает каждую горсть песка вручную. Сначала он просеивает породу через крупное сито, отбрасывая пустую гальку, и только потом тщательно промывает оставшийся концентрат. Примерно так же можно искать полезные дефекты в карбиде кремния — твёрдом кристалле, который уже стоит в силовой электронике, а в будущем может стать основой квантовых компьютеров.

Дефект — это точечное нарушение кристаллической решётки: либо пустое место, где не хватает атома, либо чужой атом, вставший на чужое место. Такие дефекты иногда мешают прибору работать, а иногда, наоборот, превращаются в кубиты — квантовые ячейки памяти, способные хранить и обрабатывать информацию. Проблема в том, что вариантов дефектов тысячи, а точный расчёт каждого на суперкомпьютере занимает часы или дни. Нужно сито.

Вместо полного моделирования — быстрая прикидка. Нейросеть смотрит на простые признаки дефекта: какие атомы рядом, на каком расстоянии, какой у дефекта заряд и спин. По этим признакам она предсказывает два числа: энергию образования (сколько нужно энергии, чтобы такой дефект создать) и энергию бесфононной линии (на какой длине волны он будет излучать свет). Ошибка предсказания около 0,4 эВ для энергии и 0,2 эВ для излучения — это достаточно точно, чтобы отсеять явно бесполезные варианты.

Исследователи обучили три типа моделей: простую линейную регрессию, ядерную регрессию и нейросеть. Оказалось, что даже самая простая модель неплохо справляется, если правильно описать дефект. Лучше всего работало описание через атомные номера, расстояния, заряд и спин — без сложных расчётов электронной структуры. Для вакансий и замещений ошибка составила 0,437 эВ, а для междоузлий (лишних атомов, втиснутых между узлами) — 1,101 эВ, что хуже, но всё ещё полезно для грубого отбора.

Раньше казалось, что без полного расчёта структуры дефекта не обойтись: нужно было «расслабить» кристалл, то есть позволить атомам занять новые положения вокруг дефекта, а это дорого. Теперь стало ясно, что даже без релаксации можно получить разумные оценки. Такой подход снижает порог входа: не нужен огромный вычислительный кластер, достаточно обычного компьютера с обученной моделью.

Прямо сейчас метод можно применять для отсева заведомо нестабильных или неперспективных дефектов. Например, если модель предсказывает слишком высокую энергию образования, такой дефект вряд ли удастся создать на практике, и тратить на него точный расчёт не стоит. А если бесфононная линия попадает в нужный диапазон частот, кандидат заслуживает более пристального изучения.

Сито не заменяет промывку, но экономит силы. Золотоискатель по-прежнему тщательно проверяет то, что осталось после просеивания. Точно так же точные квантовые расчёты остаются последним словом, но теперь они достаются только перспективным кандидатам, а не тысячам случайных вариантов. И кто знает, может быть, следующий квантовый самородок уже прошёл через такое сито.

В 4H-SiC существует более 200 политипов, но именно 4H используется в большинстве коммерческих приборов. Точечные дефекты в нём могут излучать одиночные фотоны, что делает их кандидатами для квантовой криптографии.

Понятия
детектирование квантовых ошибок языковая модель белков предсказание молекулярных свойств глубокое обучение в медицинской визуализации межатомный потенциал, обученный машинным обучением ошибка предсказания дефект машинное обучение моделирование физики с помощью нейронных сетей переобучение