Нейросеть-сито для квантовых самородков ✎

Оригинал: "Prescreening Point Defects in Semiconductors With Machine Learning"
arXiv:2609.14846v1 · 2026-09-13 · arXiv non-exclusive · собственный разбор · 1 мин
Учёные научили нейросеть быстро отбраковывать бесполезные дефекты в кристалле, оставляя только те, что могут стать кубитами.

Золотоискатель сначала просеивает песок через сито, отбрасывая пустую породу. Похожим образом учёные решили искать полезные дефекты в карбиде кремния — прочном кристалле, который уже используют в электронике, а в будущем, возможно, и в квантовых компьютерах.

Дефект — это точечное нарушение порядка в кристалле: либо пустое место, где не хватает атома, либо чужой атом на чужом месте. Такие дефекты иногда мешают приборам работать, а иногда, наоборот, превращаются в кубиты — квантовые ячейки памяти. Проблема в том, что вариантов дефектов тысячи, а точный расчёт каждого занимает много времени. Поэтому нужно сито.

Нейросеть смотрит на простые признаки дефекта: какие атомы рядом, на каком расстоянии, какой заряд. По этим признакам она предсказывает два числа: сколько энергии нужно для создания дефекта и на какой длине волны он будет излучать свет. Ошибка предсказания небольшая, поэтому модель можно использовать для быстрого отбора.

Раньше казалось, что без полного расчёта структуры дефекта не обойтись. Теперь стало ясно, что даже без сложных вычислений можно получить разумные оценки. Такой подход снижает порог входа: не нужен огромный вычислительный кластер, достаточно обычного компьютера с обученной моделью. Сито не заменяет точную проверку, но экономит силы: точные расчёты достаются только перспективным кандидатам, а не тысячам случайных вариантов.

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