Un groupe de chercheurs dirigé par Yui Muto de l'Université de Tohoku, en collaboration avec les professeurs Motoya Shinozaki et Tomohiro Otsuka de l'Institut avancé pour la recherche sur les matériaux (WPI-AIMR), a développé une méthode novatrice automatisant le réglage des points quantiques pour les ordinateurs quantiques. Cette percée, publiée dans la revue Scientific Reports, vise à résoudre l'un des principaux obstacles à la mise à l'échelle de l'informatique quantique : la nécessité de gérer un nombre massif de qubits de manière efficace. Les qubits à spin dans les points quantiques sont considérés comme des candidats prometteurs pour les futurs ordinateurs quantiques en raison de leur potentiel d'intégration élevé et de leur compatibilité avec les technologies semi-conductrices existantes. Cependant, la construction d'ordinateurs quantiques pratiques nécessite un nombre immense de ces unités d'information. Actuellement, pour extraire les informations de ces systèmes, les chercheurs doivent identifier manuellement les lignes de transition de charge sur des diagrammes de stabilité de charge. Ce processus manuel devient impossible à mesure que le nombre de qubits augmente, rendant l'ajustement de chaque dispositif extrêmement laborieux et sujet aux erreurs humaines. Pour surmonter ce défi, l'équipe de recherche a conçu une méthode exploitant l'intelligence artificielle, spécifiquement un modèle de réseau neuronal appelé U-Net. Ce système est entraîné à analyser automatiquement les diagrammes de stabilité de charge obtenus lors des mesures et à en extraire les lignes de transition précises. Une fois ces lignes identifiées, elles sont traitées par une transformation de Hough pour détecter les droites, suivie d'une étape de regroupement par clustering. Enfin, le processus aboutit à la visualisation de la région à un seul électron dans un espace de grille virtuelle. Selon le professeur associé Tomohiro Otsuka, à mesure que la technologie progresse, les futurs ordinateurs quantiques nécessiteront un nombre considérable de qubits, rendant l'ajustement manuel trop difficile. Cette recherche utilise l'apprentissage automatique pour automatiser l'identification des lignes de transition et la définition des grilles virtuelles. Cette approche permet de déterminer avec une grande efficacité les régions à un seul électron, fournissant un outil essentiel pour l'expansion des systèmes de points quantiques. En analysant les données extraites par l'IA à l'aide de techniques de traitement d'image, les chercheurs ont démontré qu'il est possible d'automatiser les configurations nécessaires pour des systèmes de points quantiques à grande échelle. Cette avancée promet de gérer un vaste nombre de qubits bien au-delà des capacités humaines, ouvrant la voie à la réalisation d'ordinateurs quantiques pratiques et puissants. L'objectif futur du groupe de recherche est d'affiner cette approche basée sur l'IA pour démontrer le réglage automatique de tableaux encore plus grands de qubits à spin, contribuant ainsi directement aux efforts mondiaux de construction de systèmes informatiques quantiques capables de résoudre des problèmes complexes.