在量子计算领域，基于硅的单个掺杂原子的自旋量子位逐渐受到关注。这种设计中，掺杂原子与量子位之间的物理距离非常小（约10-15纳米），并且在大型二维阵列中的扩展主要依赖于量子位的调控及它们之间的相互作用。即使在晶格位置上仅有细微变化，也可能显著影响逻辑运算的设计和调控。因此，确定每个量子位的原子数量并准确表征它们的空间位置变得尤为重要。

澳大利亚墨尔本大学量子计算与通信技术中心的Muhammad Usman等人提出了一种通用框架，用于分析基于电子波函数的扫描隧道显微镜（STM）图像。这些图像集中在单个掺杂剂或紧密排列的一组掺杂剂上。研究团队开发了两种特征检测方法——边缘检测和特征平均，以优化对系统已知信息的应用，如晶格形状和表面结构，并减少计算负担。实验结果表明，这两种方法在低噪声条件下都能实现高精度的量子位表征，而在高噪声情况下，特征平均方法表现出更优的效果。此外，研究者还利用卷积神经网络（CNN）对STM图像进行训练，以识别掺杂原子的确切位置。为了验证方法的有效性，研究人员使用模拟的STM图像对CNN进行了训练和测试，其中包括与实际测量数据噪声水平相当的数据集。研究发现，模拟图像与实测图像之间具有很高的吻合度，这表明经过训练的CNN能够准确地表征实验图像。

这项研究最近发表在《npj 计算材料》杂志上（2020年）。研究人员表示，该方法通过结合机器学习技术与大规模原子模拟，形成了一套理论框架，能够在特定量子位位置上精确确定掺杂原子的数量和位置。研究团队利用10万张模拟STM图像训练了CNN，并在包含平面噪声和模糊噪声的17600张测试图像中实现了超过98%的表征保真度。该方法基于系统的对称性分析和STM图像的特征检测处理，以优化计算效率。此外，这种方法不仅适用于由单个或成对近邻掺杂原子构成的量子位，还可以推广到更大的掺杂原子簇。这种方法有望在硅基量子计算中实现高精度的后加工表征，从而提高大规模量子位阵列的表征效率。

请注意，本文所提到的详细信息来源于原始文献，您可以访问相关链接获取完整的论文内容。