Les matériaux topologiques et l'apprentissage automatique : un pas en avant pour le futur de l'informatique quantique

Les superconducteurs ont longtemps été considérés comme l'approche principale pour réaliser des composants électroniques sans résistivité. Ces dernières années, une nouvelle famille de matériaux quantiques, les « matériaux topologiques », a offert une alternative prometteuse pour atteindre des états électroniques sans dissipation d'énergie. Par rapport aux superconducteurs, les matériaux topologiques présentent quelques avantages, tels que la robustesse face aux perturbations. Un défi majeur dans ce domaine est d'observer l'« effet de proximité magnétique ». Le problème, selon Zhantao Chen, doctorant en génie mécanique au MIT, est que le signal recherché pour indiquer la présence de cet effet est généralement trop faible pour être détecté de manière concluante avec les méthodes traditionnelles. C'est pourquoi une équipe de scientifiques du MIT, de l'Université d'État de Pennsylvanie et de l'Institut national des normes et de la technologie a décidé d'adopter une approche non traditionnelle, qui a finalement donné des résultats surprenants. Depuis quelques années, les chercheurs ont utilisé une technique appelée réflectométrie des neutrons polarisés (PNR) pour sonder la structure magnétique dépendante de la profondeur des matériaux multicouches et rechercher des phénomènes tels que l'effet de proximité magnétique. Cependant, l'effet est très subtil et des ambiguïtés et des défis peuvent survenir lorsqu'il s'agit d'interpréter les résultats expérimentaux. « En intégrant l'apprentissage automatique dans notre méthodologie, nous espérions obtenir une image plus claire de ce qui se passe », note Mingda Li, professeur au département de science et d'ingénierie nucléaires, qui a dirigé l'équipe de recherche. Grâce à l'aide de l'apprentissage automatique, les chercheurs ont pu identifier et quantifier une autre contribution au signal PNR : la magnétisation induite dans le matériau topologique à l'interface avec la couche magnétique adjacente. « Les méthodes d'apprentissage automatique sont très efficaces pour extraire des modèles sous-jacents à partir de données complexes, ce qui permet de discerner des effets subtils », explique Li. En tant qu'évangéliste de l'informatique quantique, je suis ravi de voir les progrès réalisés dans la recherche sur les matériaux topologiques et l'apprentissage automatique. Ces avancées pourraient révolutionner l'informatique quantique et contribuer à la suprématie technologique et économique d'une nation. Il est essentiel de soutenir davantage la recherche dans ce domaine pour garantir que les États-Unis et d'autres pays ne soient pas laissés pour compte dans la course à la maîtrise de cette technologie d'avenir.