硅晶格中磷原子的位置与其电子波函数的图谱特征，如对称性、亮度和大小直接相关。研究人员开发了一种机器学习框架，能够精准定位硅中的量子位，这被视为构建大规模硅量子计算机的关键一步。

美国墨尔本大学的穆罕默德·乌斯曼和劳埃德·霍伦伯格阐述了他们的研究及其对量子计算机未来的影响。他们认为，量子计算机将为药物设计、数据科学、地质学和材料化学等领域带来巨大的计算能力，尤其是在解决那些当前即使在超级计算机上也难以处理的复杂问题。

由于高技术门槛和战略风险，大型科技公司、有抱负的初创企业和政府资助的研究机构正竞相争夺制造世界上第一台通用量子计算机的机会。

与经典计算机使用位（0或1）编码信息不同，量子计算机利用量子位（qubit）存储信息。量子位可以是二进制的，也可以同时处于两种状态（量子叠加），从而提供指数级的计算空间。量子纠缠进一步增强了这种数据处理能力，它使得一个量子位的状态可以在没有物理连接的情况下影响另一个量子位的状态。

不同研究团队正在探索各种类型的量子位，每种量子位都有其独特的优势和局限性。一些量子位提供了可扩展性，而另一些则具有长时间保持量子信息的能力。硅中的量子位结合了这两方面的优点，因此被认为是大规模量子计算机架构设计和实现的领先者之一。

一种在硅中实现大规模量子计算机的方法是将单个磷原子精确地放置在二维网格上。这些磷原子通过纳米电子线网格控制，类似于经典微电子电路中的逻辑门。然而，关键在于将磷原子精准地放置在硅晶格上的特定位置。

尽管最先进的制造技术已经取得了进展，但将磷原子准确放置在硅晶格中的任务仍然充满挑战。通常，磷原子位置的偏差会达到原子晶格位点数量级的差异，这对量子位运算的效率会产生显著影响。

这种问题源于磷原子量子位之间交换相互作用的极端敏感性。交换相互作用是一种基本的量子力学现象，其中两个亚原子粒子在波函数重叠时会发生相互作用。通过利用磷原子量子位之间的交换相互作用，可以实现快速的量子位门操作，但任何未知的变化都可能损害量子门的准确性。

在大规模架构上积累的误差可能会严重影响量子计算机的性能，削弱其量子力学特性带来的潜在优势。因此，2016年，研究人员与新南威尔士大学的量子计算与通信技术中心合作，开发了一种技术，能够准确定位硅中磷原子的确切位置。这项技术基于对磷原子波函数的计算机扫描隧道显微镜图像进行分析，从而实现了单个晶格位点精度的空间计量学。

尽管该技术在单个量子位级别上表现良好，但下一个重大挑战是建立一个框架，以实现大规模架构所需的精确原子空间定位，同时保持高效率和低人为干预。

机器学习作为一项新兴技术，正在改变医学、图像处理、机器人技术以及材料设计等多个领域。通过精心训练的机器学习算法，可以高效处理大量数据。卷积神经网络（CNN）是处理图像识别和分类的强大工具。当CNN在数千个样本图像上进行训练时，它可以准确识别未知图像，包括那些包含噪声的图像。

鉴于已有的量子位原子计量学原理本质上是对STM图像特征图的识别和分类，研究人员决定在计算出的STM图像上训练CNN。这项工作发表在《npj计算材料》杂志上。训练过程涉及100,000张STM图像，CNN的学习率达到99%以上。随后，研究人员对经过训练的CNN进行了17,600张测试图像的测试，包括含有模糊和不对称噪声的真实环境图像。CNN对测试图像的分类准确率达到98%以上，证明了基于机器学习的技术能够实现高通量、高精度和低人工干预的量子位测量。

此外，这项技术还可以扩展到包含多个磷原子的量子位，其中图像配置的数量将大幅增加。基于机器学习的框架可以轻松处理任意数量的可能配置。

在未来几年，随着量子位数量的增加和量子器件尺寸的扩大，手动测量量子位表征可能会变得极具挑战性。这项研究展示了机器学习技术在实现全面容错通用量子计算机方面的关键作用，这也是全球研究的最终目标。