Quantencomputer rechnen mit Qubits, und diese lassen sich auf ganz unterschiedliche Weise bauen. Supraleitende Schaltkreise brauchen Temperaturen knapp über dem absoluten Nullpunkt und aufwendige Kühltechnik. Photonen bewegen sich dagegen mit Lichtgeschwindigkeit, wechselwirken kaum mit ihrer Umgebung und kommen mit deutlich weniger Kühlaufwand aus. Damit Lichtteilchen zuverlässig miteinander rechnen, müssen sie sich allerdings gleichen wie ein Ei dem anderen. Einzelne Lichtquellen erfüllen diese Bedingung oft nicht, weil ihre Frequenz schwankt. Forscher:innen der Purdue University haben nun ein neuronales Netz darauf trainiert, diese Schwankungen vorherzusagen.


Symbolbild

Defektstellen in Siliziumnitrid wechseln ihre Farbe

Das Team um Alexander Kildishev, Vladimir Shalaev und Alexandra Boltasseva arbeitet seit Jahren mit Einzelphotonen-Emittern aus Siliziumnitrid. Dabei handelt es sich um winzige Defektstellen im Material, die jeweils genau ein Photon aussenden. 2021 zeigte die Gruppe in Science Advances, dass solche Quellen sogar bei Raumtemperatur funktionieren. Bei 130 untersuchten Emittern lag der g²(0)-Wert, ein Maß für die Einzelphotonen-Reinheit, im Mittel bei etwa 0,2 und damit klar unter der Schwelle von 0,5. Ein Jahr später stellten die Forscher:innen nanostrukturierte Säulen vor, auf denen sie solche Emitter mit einer Ausbeute von rund 50 Prozent gezielt erzeugten.

Ein Makel bleibt: Lokale Störungen in der Umgebung verschieben die Emissionsfrequenz ständig. Physiker:innen nennen das spektrale Diffusion. Zwei Photonen aus derselben Quelle tragen dadurch leicht unterschiedliche Farben und verlieren ihre Ununterscheidbarkeit. Genau diese Eigenschaft brauchen photonische Quantenrechner aber für Interferenz und damit für jede Rechenoperation.


Neuronales Netz liest Spektren bei 4 Kelvin

Doktorand Pranshu Maan nahm Zeitreihen von Spektralmessungen bei etwa 4 Kelvin auf, alle 500 Mikrosekunden eine. Bei dieser Temperatur spielen Gitterschwingungen kaum noch eine Rolle, und die spektrale Diffusion dominiert den Kohärenzverlust. Mit Methoden der statistischen Physik wies das Team Korrelationen nach, die über einzelne Messpunkte hinausreichen. Langsam veränderliche Umgebungseinflüsse hinterlassen in den Frequenzsprüngen also ein Muster, das sich auswerten lässt.

Auf diesen Daten trainierten die Forscher:innen ein bidirektionales LSTM-Netz mit Aufmerksamkeitsmechanismus, eine Architektur, die Abhängigkeiten in zeitlichen Abfolgen erfasst. Das Netz prognostiziert, wohin sich die Frequenz eines Emitters als Nächstes verschiebt. Den Rechnungen zufolge könnte eine darauf aufbauende Regelung die spektralen Verschiebungen im Mittel um den Faktor 2 bis 19 verringern. Die Spanne hängt von der Stabilität der jeweiligen Quelle ab. „Langfristig wollen wir Quantenhardware eine Art vorausschauendes Bewusstsein für ihre Umgebung geben“, sagt Kildishev.

Gegensteuern per elektrischem Feld steht noch aus

Die Werte stammen bislang ausschließlich aus Berechnungen. Eine echte Gegensteuerung, etwa über ein elektrisches Feld oder mechanische Verstimmung, hat das Team noch nicht gebaut. Auch die Übertragung auf andere Plattformen hat niemand geprüft. Die Autor:innen sehen mögliche Kandidaten in Stickstoff-Fehlstellen in Diamant, in Quantenpunkten und in supraleitenden Qubits, deren Flussrauschen ähnliche Eigenschaften zeigt. Maan will als Nächstes statistische Physik und hardwarenahe KI verbinden, um Quantenbauteile in Echtzeit zu stabilisieren.

Einen weiteren Baustein lieferte dieselbe Arbeitsgruppe 2025 in Nature Nanotechnology: einen optischen Modulator, bei dem ein einzelnes Photon in Silizium eine Elektronenlawine auslöst und damit einen stärkeren Lichtstrahl schaltet. Der Versuch lief bei Raumtemperatur mit einem handelsüblichen Einzelphotonen-Lawinendetektor. Zusammen ergeben die Arbeiten Komponenten für photonische Quantenrechner, einen funktionierenden Prototyp liefern sie noch nicht. Die Forscher:innen betonen selbst, dass eine Vorhersage keine Fehlerkorrektur ersetzt.

 

via Purdue University

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert