На днях шведское издательство MDPI опубликовало статью, посвящённую разработке детекторов нейтрино для научного мегапроекта DUNE (Deep Underground Neutrino Experiment) в США. Хотя в коллективе учёных были представители нескольких стран, существенный вклад в разработку непосредственно датчиков внесли российские исследователи из Московского физико-технического института (МФТИ).

Источник изображения: techspot.com

Два месяца назад в США завершилась выемка грунта для подземных лабораторий проекта DUNE. До установки датчиков пройдёт ещё от четырёх до семи лет. Но в целом, если судить по статье, основа для производства этих приборов уже создана. У сотрудников МФТИ богатейший опыт в разработке детекторов элементарных частиц и он был востребован в новой работе.

Нейтрино остаются не до конца изученными частицами. Они слабо взаимодействуют с веществом, поэтому их крайне сложно обнаружить. В двух лабораториях DUNE будут установлены огромные резервуары с жидким аргоном (до 17 тыс. тонн), стенки которых оснастят детекторами фотонов. Эти датчики должны выдерживать частые перепады температур от криогенных до комнатных и обратно, оставаясь при этом высокочувствительными.

Схема эксперимента. Источник изображения: Wikipedia

«При разработке [детектора] ArCLight самым сложным этапом для нас оказалось подобрать материалы так, чтобы детектор выдерживал многократные охлаждения до температуры жидкого аргона (~187 К) и нагревы обратно до комнатной. При низкой температуре полимерные материалы становятся хрупкими, и, если коэффициенты теплового расширения не соответствуют, детектор может разрушиться — треснуть», — пояснил Игорь Кресло, ведущий научный сотрудник лаборатории фундаментальных взаимодействий МФТИ.

Задача фотонного детектора ArCLight — регистрировать сцинтилляционный свет, возникающий при взаимодействии нейтрино со средой время-проекционной камеры, в данном случае с жидким аргоном. Особенность прибора ArCLight заключается в том, что его можно разместить на стенках аргоновой камеры, так как он не искажает направляющее электрическое поле.

Слева — прототип ArgonCube Light (ArCLight) размером 10 × 10 см с четырьмя кремниевыми фотоумножителями (SiPM). Справа —принципиальная схема работы ArCLight на примере детектирования излучения вакуумного ультрафиолета. Источник: Instruments.

Физики сконструировали ряд прототипов фотодетекторов разных размеров: от небольших, 5 × 5 см, до необходимых для ближнего детектора DUNE — 30 × 50 см. Фотонная эффективность приборов варьируется в диапазоне от 0,8 % до 2,2 %. Чем выше эффективность, тем слабее энергии фотонов сможет регистрировать датчик, что напрямую влияет на сбор статистически значимых данных. Чем больше регистраций, тем полнее информация о свойствах нейтрино.

Учёные из МФТИ испытали различные способы нанесения рабочих слоёв на датчики и разработали систему контроля качества приборов. Для полного покрытия стенок двух огромных резервуаров потребуется огромное количество детекторов, включая запасные модули. Для этого уже создан необходимый задел.

Совместная работа учёных МФТИ, МИСИС и ИТМО позволила в деталях объяснить появление уникальных оптических свойств у кристаллов перовскита. Это один из самых перспективных материалов для оптоэлектроники будущего, понимание основ работы с которым даёт базу для создания компонентов и решений с заданными свойствами. Работа исследователей опубликована в журнале Nano Letters и доступна по ссылке.

Источник изображения: НИТУ МИСИС

Ранее научные коллективы во всём мире сталкивались с тем, что оптические свойства перовскитов проявляли себя не всегда или с разным значением. Речь идёт о зависимости оптических свойств кристаллов перовскитов от выбранного направления, что называется анизотропией. Это необходимо учитывать для создания волноводов, поляризаторов, нанолазеров и других оптических приборов. В одних случаях на выращенных кристаллах анизотропия проявлялась, а в других отсутствовала. Российские учёные выяснили, в чём кроется проблема.

«Форма кристаллов перовскитов определяет степень анизотропии. Если они в плоскости выросли квадратными, то они не будут проявлять анизотропных свойств, а если они стали прямоугольными, то перовскит будут анизотропным. Это удобно — просто взглянул на форму перовскита и понял, какие у него будут оптические свойства», — пояснил научный сотрудник Центра фотоники и двумерных материалов МФТИ Георгий Ермолаев.

Иначе говоря, российские исследователи на примере перовскита из свинца, цезия и бора (CsPbBr₃) нашли и описали взаимосвязь зависимости анизотропии выращенных кристаллов от условий выращивания и конечной формы кристаллов. Это позволит не бродить в темноте, наугад создавая тот или иной образец перовскитов для экспериментов, а целенаправленно выращивать кристаллы с заданными оптическими свойствами, что, кстати, является одним из основных критериев для массового производства.

Кроме того, учёные обнаружили, что при определённых условиях перовскиты обладают рекордно высоким уровнем оптической анизотропии для всех известных трёхмерных материалов. Это позволяет использовать перовскиты для создания высокоэффективных волноводов и других устройств, позволяющих управлять движением света, что крайне важно для создания оптических аналогов электроники.

«Мы уверены, что перовскиты станут основой посткремниевой электроники. В Лаборатории солнечной энергетики НИТУ МИСИС реализован процесс роста монокристаллов CsPbBr₃ и устройств на их основе. Мы работаем над новыми разновидностями перовскитных кристаллов для оптоэлектронного применения и благодарны коллегам из ИТМО и МФТИ за сотрудничество в сложном и интересном исследовательском проекте», — отметил ведущий инженер Лаборатории перспективной солнечной энергетики Университета МИСИС Артур Иштеев.

Сообщается, что молодые ученые МФТИ первыми в России экспериментально реализовали работающий алгоритм квантового обучения в цепочке сверхпроводящих кубитов. Алгоритмы машинного обучения — это непросто само по себе, а их запуск на кубитах — это совсем иной уровень проблематики. Тем не менее, квантовая нейросеть показала практическую пригодность к решению сложных классических задач с высокой точностью, что также подтолкнёт к покорению новых вершин.

Источник изображения: МФТИ

«Мы нашли удачную структуру квантовой цепочки и алгоритм обучения, который позволяет нам достичь точности 94 % для стандартных задач классификации с несколькими метками и точности 90 % при распознавании рукописных десятичных цифр. Точность и стабильность алгоритма подтверждаются методом перекрестной проверки. Квантовая модель достаточно быстро обучается благодаря возможности эффективного вычисления градиента с использованием необычных свойств квантовых операций», — рассказал Алексей Толстобров (выше на фото), соавтор исследования, сотрудник лаборатории искусственных квантовых систем МФТИ.

Мы довольно давно слышим о машинном обучении и к настоящему времени в этой сфере достигнуты впечатляющие результаты. Взять хотя бы ставший популярным ИИ-бот ChatGPT на большой языковой модели GPT. Но у классических компьютеров (суперкомпьютеров) есть свои и довольно ощутимые пределы, преодолевать которые индустрия намеревается с помощью квантовых систем. Работа российских учёных показывает, что квантовые вычислители или, вернее, симуляторы вполне способны создавать обучаемые нейросети и выполнять алгоритмы, что когда-нибудь позволит сделать прорыв в сфере машинного обучения.

Забавно, но сегодня всё больше причин считать, что вычислительная работа головного мозга в своей основе имеет квантовые явления. Может так статься, что в будущем настоящий ИИ будет построен только на квантовой самообучающейся нейросети, что, как считают специалисты, станет концом человечества, но это уже другая история.

Возвращаясь к работе команды физиков МФТИ, уточним, что она провела цикл экспериментов с моделью гибридного классификатора, работу которой ускорил квантовый симулятор. Симулятор же представлял собой цепочку из нескольких сверхпроводящих кубитов. Модель была обучена решать задачи классификации и распознавания изображений. В частности, решались задачи чётности, обнаружения меток рака молочной железы («есть/нет») и типологии различных вин (многозначная классификация по десятку параметров). Помимо этого, было продемонстрировано решение задачи распознавания рукописных изображений цифр.

На следующем этапе учёные увеличат количество кубитов в квантовом симуляторе, что даст возможность решать более сложные задачи классификации, а также протестируют способность системы решать задачи регрессии и, наконец, попытаются перейти от классических данных к квантовым.