高端赛车引擎需要所有部件调试，并精确地协同工作，以提供高品质的性能。对于量子计算机内的处理器，也是同样。

该小组在《物理评论杂志》上的论文概述了一种教人工智能对微小的量子点进行相互联系的调整的方法，这些量子点属于许多能够产生量子比特或“量子比特”的设备，这些器件将成为量子计算机处理器中的交换机。

精确地调整这些点对把它们变成正常运行的量子点至关重要，直到现在，这项工作还得由人类操作员辛勤地完成，这需要数小时的工作才能创造出一小撮量子点来进行一次计算。

一个拥有许多相互作用量子比特的实用量子计算机需要比人类所能管理的多得多的点数和调整，因此团队的成就可能使量子点基处理从理论领域更接近于设计现实。

NIST的数学家朱斯蒂娜·兹沃拉克说：“量子计算机理论家想象他们可以用几百块或数千块量子比特做什么，但房间里的大象在于，我们实际上一次只能让一小部分量子比特发挥作用。现在我们有了一条实现目标的道路。”

一个量子点通常包含电子，这些电子被限制在半导体材料中的紧的箱形空间内。形成箱壁的是半导体表面以上的几个金属电极（所谓的门），这些电极具有施加的电压，影响量子点的位置和电子数量。根据它们相对于点的位置, 闸门以不同的方式控制电子.

要使这些点做你想做的事——比如充当某种量子逻辑开关，或者另一种——浇口电压必须调整到正确的值。这个调谐是通过人工进行的，通过测量电流流过量子点系统，然后稍微改变一下闸门的电压，然后再检查电流。你涉及的小点（和大门）越多，就越难同时调整它们，以便你能得到合适的量子比特。简言之，这不是任何人类技师对输给一台机器感到沮丧的工作。

数据以视觉图像的形式出现，团队意识到人工智能善于识别这些图像。被称为卷积神经网络的人工智能算法已经成为自动图像分类的首选技术，只要它们接触到大量需要识别的样本。因此，在联合量子研究所Jake Taylor的监督下，该团队的Sandesh Kalantre创建了一个模拟器，可以生成数千张量子点测量的图像，并将其作为训练练习提供给人工智能。

Zwolak说:“我们模拟了我们想要的量子比特设置，并在夜间运行，第二天早上我们就有了训练人工智能自动调整系统所需的所有数据。”“我们把它设计成可以在任何基于量子点的系统上使用，而不仅仅是在我们自己的系统上。”

该团队开始时规模很小，使用的是两个量子点的设置，他们验证了，在一定的约束条件下，他们训练过的人工智能可以自动调整系统，使其达到他们想要的设置。它并不完美——他们确定了几个需要改进的领域，以提高该方法的可靠性——而且他们还不能使用它来调整数千个相互连接的量子点。但即使在这个早期阶段，它的实际力量也是不可否认的，这使得一个熟练的研究人员可以把宝贵的时间花在其他地方。

Zwolak说:“这是一种利用机器学习来节省劳动力的方法，并且最终可以做一些人类不擅长做的事情。我们都能识别出一只三维的猫，这基本上就是一个点加上几个调好的门。许多点和门就像一只10维的猫。人类甚至看不见10维的猫。但我们可以训练人工智能来识别它们。”