تکنیک جدید می تواند شبکه های کوانتومی را امکان پذیر کند — ScienceDaily


مهندسان Caltech رویکردی برای ذخیره سازی کوانتومی ایجاد کرده اند که می تواند راه را برای توسعه شبکه های کوانتومی نوری در مقیاس بزرگ هموار کند.

سیستم جدید متکی بر اسپین های هسته ای – تکانه زاویه ای هسته اتم – است که به طور جمعی به عنوان یک موج اسپین در نوسان هستند. این نوسان جمعی به طور موثر چندین اتم را برای ذخیره اطلاعات زنجیره می کند.

این کار، که در مقاله ای که در 16 فوریه در مجله منتشر شد، توضیح داده شده است طبیعت، از یک بیت کوانتومی (یا کیوبیت) ساخته شده از یون ایتربیوم (Yb)، یک عنصر خاکی کمیاب که در لیزرها نیز استفاده می شود، استفاده می کند. این تیم به سرپرستی آندری فاراون (BS ’04)، استاد فیزیک کاربردی و مهندسی برق، یون را در یک کریستال شفاف از ایتریم ارتووانادات (YVO4) جاسازی کردند و حالت‌های کوانتومی آن را از طریق ترکیبی از میدان‌های نوری و مایکروویو دستکاری کردند. سپس تیم از کیوبیت Yb برای کنترل حالت‌های اسپین هسته‌ای چندین اتم وانادیوم اطراف کریستال استفاده کرد.

فاراون، نویسنده همکار مقاله می گوید: “بر اساس کار قبلی ما، یون های ایتربیوم منفرد به عنوان کاندیدای عالی برای شبکه های کوانتومی نوری شناخته شده بودند، اما ما نیاز داشتیم که آنها را با اتم های اضافی مرتبط کنیم. ما این را در این کار نشان می دهیم.” طبیعت کاغذ.

این دستگاه در موسسه علوم نانو Kavli در Caltech ساخته شد و سپس در دمای بسیار پایین در آزمایشگاه Faraon آزمایش شد.

یک تکنیک جدید برای استفاده از اسپین های هسته ای درهم تنیده به عنوان حافظه کوانتومی از روش های مورد استفاده در تشدید مغناطیسی هسته ای (NMR) الهام گرفته شده است.

Joonhee Choi، محقق فوق دکترا در Caltech و نویسنده مقاله، می‌گوید: «برای ذخیره اطلاعات کوانتومی در چرخش‌های هسته‌ای، ما تکنیک‌های جدیدی شبیه به روش‌های به کار رفته در ماشین‌های NMR مورد استفاده در بیمارستان‌ها توسعه دادیم. چالش اصلی انطباق تکنیک های موجود برای کار در غیاب میدان مغناطیسی بود.

یکی از ویژگی های منحصر به فرد این سیستم، قرار دادن از پیش تعیین شده اتم های وانادیم در اطراف کیوبیت ایتربیوم است که توسط شبکه کریستالی تجویز می شود. هر کیوبیتی که تیم اندازه‌گیری می‌کرد، یک رجیستر حافظه یکسان داشت، یعنی همان اطلاعات را ذخیره می‌کرد.

آندری راسکوچ، دانشجوی فارغ التحصیل، نویسنده اول مقاله، می گوید: «توانایی ساخت یک فناوری به صورت تکرارپذیر و قابل اطمینان، کلید موفقیت آن است. در زمینه علمی، این به ما اجازه می‌دهد بینش بی‌سابقه‌ای در مورد برهم‌کنش‌های میکروسکوپی بین کیوبیت‌های ایتربیوم و اتم‌های وانادیوم در محیط آن‌ها به دست آوریم.

این تحقیق بخشی از تلاش گسترده‌تر آزمایشگاه فاراون برای پایه‌گذاری شبکه‌های کوانتومی آینده است.

شبکه های کوانتومی کامپیوترهای کوانتومی را از طریق سیستمی به هم متصل می کنند که در سطح کوانتومی و نه کلاسیک کار می کند. در تئوری، کامپیوترهای کوانتومی روزی می‌توانند با بهره‌گیری از ویژگی‌های خاص مکانیک کوانتومی، از جمله برهم‌نهی، عملکردهای خاصی را سریع‌تر از کامپیوترهای کلاسیک انجام دهند، که به بیت‌های کوانتومی اجازه می‌دهد تا اطلاعات را به صورت 1 و 0 به طور همزمان ذخیره کنند.

همانطور که با کامپیوترهای کلاسیک می‌توانند، مهندسان دوست دارند بتوانند چندین کامپیوتر کوانتومی را برای اشتراک‌گذاری داده‌ها و کار با یکدیگر به هم متصل کنند – ایجاد یک “اینترنت کوانتومی”. این درها را به روی چندین برنامه باز می کند، از جمله توانایی حل محاسباتی که بیش از حد بزرگ هستند که توسط یک کامپیوتر کوانتومی منفرد قابل مدیریت نیستند، و همچنین برقراری ارتباطات امن ناگسستنی با استفاده از رمزنگاری کوانتومی.

عنوان مقاله “ثبت کوانتومی موج اسپین هسته ای برای یک کیوبیت حالت جامد” است. نویسندگان مشترک شامل دانشجویان فارغ التحصیل چون-جو وو و جیک روچمن (MS ’19) هستند. این تحقیق توسط مؤسسه اطلاعات و ماده کوانتومی (IQIM)، یک مرکز مرزهای فیزیک بنیاد ملی علوم، با حمایت بنیاد گوردون و بتی مور، دفتر تحقیقات دریایی، دفتر تحقیقات علمی نیروی هوایی، نورثروپ گرومن، تامین مالی شد. ، جنرال اتمیکس و بنیاد وستون هاونز.

منبع داستان:

مواد تهیه شده توسط موسسه فناوری کالیفرنیا. نوشته اصلی توسط رابرت پرکینز. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]