利用机器学习力场模拟大型原子系统以提升超导量子比特与传感器的保真度
量子物理
2025-09-17 v1 材料科学
超导电性
计算物理
摘要
利用原子尺度建模进行材料工程是开发量子比特和量子传感器的重要工具。然而，传统密度泛函理论（DFT）无法充分捕捉所涉及的完整物理过程，包括超导性、表面态等关键方面及其动力学。在可模拟的系统尺寸方面也存在重大挑战，尤其是对于量子计算应用中极为关键的 thermal properties。QuantumATK 工具将基于 LCAO 基组的 DFT 与非平衡格林函数相结合，用于计算超导体与绝缘体之间的界面特性，以及拓扑绝缘体的表面态。此外，该软件利用机器学习力场来模拟 thermal properties 并生成大规模系统中的真实非晶几何结构。最后，将超导量子比特和传感器描述为用双势阱建模的二能级系统需要多体物理，本文展示了如何将电子-电子相互作用添加到原子尺度紧束缚模型的单粒子能级中，以描述真实的双量子点系统。
引用
@article{arxiv.2509.12509,
title = {Leveraging Machine Learning Force Fields (MLFFs) to Simulate Large Atomistic Systems for Fidelity Improvement of Superconducting Qubits and Sensors},
author = {Søren Smidstrup and Shela Aboud and Ricardo Borges and Anders Blom and Pankaj Aggarwal and Robert Freeman and Jamil Kawa},
journal= {arXiv preprint arXiv:2509.12509},
year = {2025}
}
备注
Published at GoMACTech 2025