TW202036392A

TW202036392A - 量子位元檢測系統及檢測方法

Info

Publication number: TW202036392A
Application number: TW108123952A
Authority: TW
Inventors: 徐華
Original assignee: 香港商阿里巴巴集團服務有限公司
Priority date: 2018-09-05
Filing date: 2019-07-08
Publication date: 2020-10-01
Also published as: TWI803659B; CN114264372A; WO2020048375A1; CN110879105B; CN110879105A; EP3848860A1; US12159197B2; JP2021535483A; EP3848860A4; US20210182727A1

Abstract

本發明關於一種量子位元檢測系統及方法，所述檢測系統包括測試模組和預測模組，測試模組包括成像裝置，所述成像裝置配置為對量子位元進行成像；預測模組和所述模組通信連接，預測模組包括機器學習模型，機器學習模型配置為至少基於所述得到的像輸出預測資訊，檢測方法包括：使用成像裝置對量子位元進行成像；將得到的像輸入訓練好的機器學習模型；機器學習模型至少基於得到的像輸出預測資訊。

Description

量子位元檢測系統及檢測方法

本披露係關於檢測領域，特別地，關於一種量子位元的檢測系統以及檢測方法。

量子計算與量子資訊是一門基於量子力學的原理來實現計算與資訊處理任務的交叉學科，與量子物理，電腦科學，資訊學等學科有著十分緊密的聯繫。在最近二十年有著快速的發展。因數分解，無結構搜索等場景的基於量子電腦的量子演算法展現出了遠超越現有基於經典電腦的演算法的表現，也使這一方向被寄予了超越現有計算能力的期望。量子電腦的基本特點之一就是，它使用的資訊單元不是位元，而是量子位元(Qubit)。量子位元可以是電子那樣的粒子，也可以是其它的處於元激發的準粒子。對於電子而言，自旋向上代表1，向下代表0。自旋既向上又向下的量子態稱為疊加態。處於疊加態中的少量粒子可以攜帶大量資訊，僅僅100個粒子所處的疊加態，就可以表示從1到2¹⁰⁰ 個數字。量子電腦可以用雷射脈衝打擊粒子，或者採用諸如此類的方法來對量子位元進行操作。目前，量子位元的主要實現方式包括：超導約瑟夫森結、離子阱、磁共振、拓撲量子等；研究人員一般使用電子設備儀器對製備得到的量子位元進行檢測，以確定製備得到的量子位元是否有缺陷，並獲得其初步的性質參數。這種方法耗時耗力，尤其是對於基於超導約瑟夫森結的量子位元，對其進行檢測需要在低溫環境(液氦溫度)下進行，而低溫環境的獲得需要的費用很高，因此在低溫環境下進行檢測所需要的費用也非常高。另一方面，現有技術對於量子位元的檢測只能在量子位元製備完成後進行，也即是說，如果量子位元的製備過程中出現了缺陷，基於現有技術的檢測手段是無法得知的。基於以上，現有技術對於量子位元的檢測手段不僅耗費甚巨，並且也難以滿足未來當量子位元的製備大規模工業化之後的需求。基於以上，需要一種量子位元的檢測裝置以及方法，以解決上述的這些技術問題。

根據本披露的一個方面的實施例，提供一種量子位元檢測方法，包括：使用成像裝置對量子位元進行成像；將得到的像輸入機器學習模型；機器學習模型至少基於得到的像輸出預測資訊。作為優選，使用檢測裝置對量子位元進行檢測，得到檢測資料；將檢測資料輸入機器學習模型；機器學習模型基於測試資料和得到的像輸出預測資訊。作為優選，獲取量子位元的設計資訊；將量子位元的設計資訊輸入機器學習模型；機器學習模型基於設計資訊、測試資料和得到的像輸出預測資訊。作為優選，成像裝置包括掃描電子顯微鏡(SEM)和掃描隧道顯微鏡(STM)。作為優選，成像裝置在量子位元的製備過程中進行成像，製備過程包括多個步驟。作為優選，使用成像裝置在量子位元製備完成後進行成像。作為優選，預測資訊包括定量資訊和定性資訊。作為優選，定量資訊包括以下至少一種：工作頻率、相干時間、耦合強度。作為優選，定性資訊包括：量子位元的分級。根據本發明另一方面的一些實施例，提供一種量子位元檢測系統，包括：測試模組，測試模組包括成像裝置，成像裝置配置為對量子位元進行成像；預測模組，預測模組和測試模組通信連接，預測模組包括機器學習模型，機器學習模型配置為至少基於得到的像輸出預測資訊。作為優選，測試模組還包括檢測裝置，檢測裝置配置為對量子位元進行檢測以得到檢測資料。作為優選，成像裝置包括：掃描電子顯微鏡(SEM)和掃描隧道顯微鏡(STM)。作為優選，機器學習模型包括：卷積神經網路(CNN)、深度神經網路(DNN)、回歸神經網路(RNN)。作為優選，量子位元檢測系統還包括：交互模組和監控模組，監控模組和預測模組通信連接，交互模組和預測模組以及監控模組通信連接。作為優選，量子位元檢測系統還包括：測試控制模組，測試控制模組位於所述測試模組和所述預測模組之間，測試控制模組和測試模組以及預測模組通信連接，測試控制模組包括：成像資料產生模組、成像資料讀取模組、量子位元測試產生模組、量子位元測試資料讀取模組。作為優選，預測模組包括：量子位元缺陷判定和性質預測模組。根據本發明另一方面的一些實施例，提供一種量子位元檢測裝置，包括：處理器和非暫態儲存媒體，所述非暫態儲存媒體儲存有指令集，所述指令集被處理器執行時實現：用於使成像裝置對量子位元進行成像的裝置；用於將所述得到的像輸入機器學習模型的裝置；用於使機器學習模型至少基於所述得到的像輸出預測資訊的裝置。

當結合圖式來閱讀時，將更好地理解前述概述以及某些實施例的以下詳細描述。就圖示出一些實施例的功能框的簡圖而言，功能框未必指示硬體電路之間的分割。因而，例如，可在單件硬體(例如通用信號處理器或一塊隨機存取記憶體、硬碟等)或多件硬體中實施功能框中的一個或多個(例如處理器或記憶體)。類似地，程式可為獨立的程式，可結合成作業系統中的常式，可為安裝好的套裝軟體中的函數等。應當理解，一些實施例不限於圖中顯示的佈置和工具。如本披露所用，以單數敘述或以詞語“一個”或“一種”開頭的要素或步驟應理解為不排除所述要素或步驟的複數，除非明確陳述了這種排除。此外，對“一個實施例”的引用不意於被解釋為排除也結合了所敘述的特徵的另外的實施例的存在。除非明確陳述了相反的情況，否則“包括”、“包含”或“具有”具有特定屬性的要素或多個要素的實施例可包括不具有那個屬性的另外的這樣的要素。圖1示出了根據一些實施例的量子位元檢測系統100，圖1右側示出的量子位元系統100包括測試模組2，測試控制模組3，預測模組4，交互模組5和監控模組6。圖1左側示出了量子位元製備流程200，流程200可以包括多個步驟，如圖所示意的：步驟1、步驟2…步驟k…步驟n。在一些實施例中，測試模組2包括成像裝置21和檢測裝置22，成像裝置21可以是掃描電子顯微鏡(SEM)，檢測裝置22可以是現有技術中任何習知的可以對量子位元進行檢測的裝置。掃描電子顯微鏡21可以用於對量子位元進行成像，成像可以發生在量子位元製備過程中的任意一個步驟。在一些實施例中，成像裝置22還可以是掃描隧道顯微鏡(STM)，而檢測裝置22可以是現有技術中任何習知的可以對量子位元進行檢測的電子裝置。掃描隧道顯微鏡22可以用於對量子位元進行成像，成像可以發生在量子位元製備過程中的任意一個步驟。在一些實施例中，成像裝置22還可以包括其它的本領域技術人員所習知的成像裝置，例如紅外線成像裝置，可見光頻率範圍內的光學成像裝置等，使用這些裝置可以對量子位元在製備過程的任意一個或多個步驟進行成像。在一些實施例中，測試控制模組3包括：成像資料產生模組31、成像資料讀取模組32、量子位元測試產生模組33以及量子位元測試資料讀取模組34。測試控制模組3和測試模組2通信連接。成像資料產生模組31用於產生成像所需的測試要求(例如具體的成像參數、成像時間等)，並將產生的成像測試要求發送給成像裝置21，從而使得成像裝置21按照測試要求進行所需要的測試，獲取所成的像以及成像時所採集的參數。然後，所成的像和成像時所採集的參數被發送給成像資料讀取模組32。在一些實施例中，當成像裝置21是掃描電子顯微鏡(SEM)時，資料產生模組31產生SEM測試要求，並將測試要求發送給SEM，控制SEM進行所需要的測試並產生SEM圖像以及SEM圖像採集時的參數，所獲取的圖像至少包括一幅，通常包括多幅，多幅圖像可以連續獲取，也可以間隔時間獲取。這些獲取到的SEM圖像以及SEM圖像採集時的參數被發送給成像資料讀取模組32。在一些實施例中，當成像裝置21是掃描隧道顯微鏡(STM)時，資料產生模組31產生STM測試要求，並將測試要求發送給STM，控制STM進行所需要的測試並產生STM圖像以及STM圖像採集時的參數，所獲取的圖像至少包括一幅，通常包括多幅，多幅圖像可以連續獲取，也可以間隔時間獲取。這些獲取到的STM圖像以及STM圖像採集時的參數被發送給成像資料讀取模組32。在一些實施例中，成像裝置21是可見光頻率範圍內的光學成像裝置，例如感光耦合裝置(CCD)，使用光學成像裝置對量子位元製備過程的一個或多個步驟進行成像，所獲取的圖像至少包括一幅，通常包括多幅，多幅圖像可以連續獲取，也可以間隔時間獲取。這些獲取到的圖像被發送給成像資料讀取模組32。在一些實施例中，成像裝置21是紅外線成像裝置，使用紅外線成像裝置對量子位元製備過程的一個或多個步驟進行成像，所獲取的圖像至少包括一幅，通常包括多幅，多幅圖像可以連續獲取，也可以間隔時間獲取。這些獲取到的圖像被發送給成像資料讀取模組32。在一些實施例中，成像裝置21是紫外線成像裝置，使用紫外線成像裝置對量子位元製備過程的一個或多個步驟進行成像，所獲取的圖像至少包括一幅，通常包括多幅，多幅圖像可以連續獲取，也可以間隔時間獲取。這些獲取到的圖像被發送給成像資料讀取模組32。量子位元測試產生模組33用於產生檢測量子位元所需要的測試要求，並將產生的測試要求發送給檢測裝置22，從而使得檢測裝置22按照測試要求進行所需要的測試，並獲取測試結果。這些測試結果可以包括：量子位元的工作頻率，量子位元的相干時間(Coherence time)，量子位元的耦合強度等。獲取到的測試結果被發送給量子位元測試資料讀取模組34。在一些實施例中，預測模組4包括量子位元缺陷判定和性質預測模組41和機器學習模型42。預測模組4和測試控制模組3通信連接。在一些實施例中，機器學習模型42可以是訓練好的卷積神經網路(CNN)。卷積神經網路的訓練資料可以包括：由用戶輸入的量子位元設計圖紙(gds檔)，經由成像資料讀取模組33所傳輸的量子位元製備流程中所獲取的圖像(包括圖像本身，以及圖像採集時的參數，成像所需的測試要求等)；以及經由量子位元測試資料讀取模組34所傳輸的檢測裝置22對量子位元進行測試所獲得的測試結果，以及測試參數等，這些測試結果可以包括：量子位元的工作頻率，量子位元的相干時間(Coherence time)，量子位元的耦合強度等。在一些實施例中，成像裝置為SEM，卷積神經網路的訓練資料包括：由用戶輸入的量子位元設計圖紙(gds檔)，經由成像資料讀取模組33所傳輸的量子位元製備流程中所獲取的SEM圖像(包括SEM圖像本身，以及SEM圖像採集時的參數，SEM成像所需的測試要求等)；以及經由量子位元測試資料讀取模組34所傳輸的檢測裝置22對量子位元進行測試所獲得的測試結果，以及測試參數等，這些測試結果可以包括：量子位元的工作頻率，量子位元的相干時間(Coherence time)，量子位元的耦合強度等。在一些實施例中，成像裝置為STM，卷積神經網路的訓練資料包括：由用戶輸入的量子位元設計圖紙(例如但不限於：gds檔)，經由成像資料讀取模組33所傳輸的量子位元製備流程中所獲取的STM圖像(包括STM圖像本身，以及STM圖像採集時的參數，STM成像所需的測試要求等)；以及經由量子位元測試資料讀取模組34所傳輸的檢測裝置22對量子位元進行測試所獲得的測試結果，以及測試參數等，這些測試結果可以包括：量子位元的工作頻率，量子位元的相干時間(Coherence time)，量子位元的耦合強度等。在一些實施例中，成像裝置為光學裝置，特別地，光學裝置包括可見光頻率範圍內的成像裝置，或者紅外線成像裝置，與上面的SEM或STM的成像裝置類似，這些可見光頻率範圍內的成像裝置以及紅外線成像裝置所稱的像，成像時的參數，成像所需的測試要求等都可以作為卷積神經網路的訓練輸入。在一些實施例中，當卷積神經網路訓練完成後，即可基於實際的輸入來對量子位元的性質進行判定和預測，判定和預測的結果傳輸至量子位元缺陷判定和性質預測模組41。實際的輸入包括在量子位元製備流程中所進行的測試所得到的結果，具體而言，使用例如SEM裝置在量子位元製備的流程中對量子位元進行SEM成像，成像可以發生在製備流程的任意一個步驟，或者多個步驟，成像資料被傳輸至訓練好的卷積神經網路並由卷積神經網路給出量子位元的定量資訊，包括量子位元的工作頻率，量子位元的相干時間(Coherence time)，量子位元的耦合強度等。這些定量資訊被進一步傳輸至量子位元缺陷判定和性質預測模組進行輸出，量子位元缺陷判定和性質預測模組可以直接輸出定量資訊，也可以基於定量資訊給出定性資訊，例如量子位元性質的分級。在一些實施例中，可以依據不同類型的量子位元，以及不同的量子位元設計來對卷積神經網路進行所需要的訓練。另外，還可以定期地抽樣製備的量子位元樣品進行測試，獲取量子位元的性質測試值(例如但不限於量子位元的工作頻率，量子位元的相干時間(Coherence time)，量子位元的耦合強度)，透過比較真實的量子位元性質測量值與卷積神經網路的預測值，從而決定是否需要對卷積神經網路進行重新訓練調節。在另一些實施例中，機器學習模型42可以是深度神經網路(DNN)，或者是回歸神經網路(RNN)，DNN和RNN的訓練過程和輸出過程和上述的卷積神經網路(CNN)相類似。本領域技術人員還可以採用其它任意本領域所習知的演算法來作為機器學習模型42。在一些實施例中，量子位元檢測系統100還包括交互模組5和監控模組6，交互模組5和預測模組4以及監控模組6通信連接，監控模組6和測試控制模組3、預測模組4、交互模組5以及量子位元製備流程100通信連接。交互模組5用於支援用戶輸入輸出功能，將用戶的輸入資訊以及各類參數按需要傳輸給預測模組4、監控模組6，並將預測模組4產生的預測結果輸出展現給用戶。監控模組6對測試控制模組3、預測模組4、交互模組5以及量子位元製備流程100進行監控。在一些實施例中，當預測模組4獲得了預測的定性和定量資訊後，這些預測的定性和定量資訊被進一步傳輸到交互模組5和監控模組6，用戶透過監控模組6獲得了這些預測的定性和定量資訊後，基於這些定性和定量資訊，用戶可以即時地對量子位元製備流程中的各種參數進行適應性調整，這些適應性調整包括但不限於對單獨的某個製備步驟(例如步驟n)進行調整，也可以在量子位元製備結束後對整個量子位元製備流程進行整體性優化。從而可以提升量子位元的製備良率(Yield)。在一些實施例中，提供了一種量子位元的檢測方法。如圖2所示意，檢測方法包括：使用成像裝置對量子位元進行成像；將得到的像輸入訓練好的機器學習模型，訓練過程可以如上文所述，機器學習模型至少基於得到的像輸出預測資訊。在一些實施例中，成像裝置是SEM，機器學習模型是卷積神經網路(CNN)。在一些實施例中，成像裝置是STM，機器學習模型是卷積神經網路(CNN)。在一些實施例中，成像裝置是可見光頻率範圍內的成像裝置，機器學習模型是卷積神經網路(CNN)。在一些實施例中，成像裝置是紅外線成像裝置，機器學習模型是卷積神經網路(CNN)。在一些實施例中，成像裝置是紫外線成像裝置，機器學習模型是卷積神經網路(CNN)。在一些實施例中，機器學習模型是深度神經網路(DNN)。在一些實施例中，機器學習模型是回歸神經網路(RNN)。在一些實施例中，在量子位元製備裝置流程中選擇一個或者多個流程使用SEM進行成像，將所得到的像輸入訓練好的卷積神經網路模型，並由卷積神經網路模型基於得到的像輸出預測資訊。預測資訊包括定量資訊，例如量子位元的工作頻率，量子位元的相干時間(Coherence time)，量子位元的耦合強度等，也可以包括定性資訊，例如量子位元的性質分級。基於這些預測資訊，用戶可以快速地知道在某一個步驟或者在某幾個步驟時量子位元的性質，以及基於這些性質相應地對量子位元製備流程100進行相應地調整。在一些實施例中，在量子位元製備裝置流程中選擇一個或者多個流程使用STM進行成像，將所得到的像輸入訓練好的卷積神經網路模型，並由卷積神經網路模型基於得到的像輸出預測資訊。預測資訊包括定量資訊，例如量子位元的工作頻率，量子位元的相干時間(Coherence time)，量子位元的耦合強度等，也可以包括定性資訊，例如量子位元的性質分級。基於這些預測資訊，用戶可以快速地知道在某一個步驟或者在某幾個步驟時量子位元的性質，以及基於這些性質相應地對量子位元製備流程100進行相應地調整。各種實施例體統了一種量子位元檢測的系統及檢測方法，本披露的優勢包括但不限於：本披露的系統和方法可以有效地與現有及未來可能的量子位元大規模生產工藝線集成，在量子位元生產進行過程中或者量子位元生產製備完成後進行量子位元性質的快速預估，根據這個快速預估，可以進行更高效率的量子位元檢測。基於本披露的系統和方法的快速預估，可以高效地對量子位元生產工藝流程進行必要的參數調整最佳化，從而可以提高量子位元生產線的整體良率(Yield)，並且，本披露的參數調整最佳化並不局限於在量子位元製備完成後才能進行，而是可以在量子位元的製備過程中即時地進行調整，從而可以更加有利於提升量子位元生產過程中的良率。本披露採用成像裝置對量子位元進行檢測，並依據機器學習模型對量子所得到的像進行分析，從而得到量子位元的定性和定量資訊預測，較之現有技術而言，本披露的技術方案的成本極低，在量子位元批量化大規模生產實現後具有極大的工業應用優勢。要理解的是，以上描述意於為示例性，而不是限制性的。例如，上面描述的實施例(和/或它們的各方面)可與彼此結合起來使用。另外，可在不偏離一些實施例的範圍的情況下做出許多修改，以使具體情況或內容適於一些實施例的教導。雖然本文描述的材料的尺寸和類型意於限定一些實施例的參數，但實施例決不是限制性的，而是示例性實施例。在審閱以上描述之後，許多其它實施例對本領域技術人員將是顯而易見的。因此，應當參照所附申請專利範圍以及這樣的申請專利範圍所涵蓋的等效體的全部範圍來確定一些實施例的範圍。在所附申請專利範圍中，用語“包括”和“在其中”用作相應的用語“包含”和“其中”的易懂語言等效體。此外，在所附申請專利範圍中，用語“第一”、“第二”和“第三”等僅作為標記使用，並且它們不意於對它們的對象施加數位要求。另外，不以手段加功能的格式來書寫所附申請專利範圍的限制，除非且直到這樣的申請專利範圍限制清楚地使用短語“用於…的手段”，跟隨沒有另外的結構的功能陳述。還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。本領域內的技術人員應明白，本披露的一些實施例可提供為方法、設備、或電腦程式產品。因此，本披露可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本披露可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括，但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可擦除可編程唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶，磁帶磁磁片儲存或其他磁性存放裝置或任何其他非傳輸媒體，可用於儲存可以被計算設備訪問的資訊。按照本文中的界定，電腦可讀媒體不包括暫存電腦可讀媒體(transitory media)，如調變的資料信號和載波。本書面描述使用示例來公開一些實施例，包括最佳模式，並且還使本領域任何技術人員能夠實踐一些實施例，包括製造和使用任何裝置或系統，以及實行任何結合的方法。一些實施例的保護範圍由申請專利範圍限定，並且可包括本領域技術人員想到的其它示例。如果這樣的其它示例具有不異於申請專利範圍的字面語言的結構要素，或者如果它們包括與申請專利範圍的字面語言無實質性差異的等效結構要素，則它們意於處在申請專利範圍之內。

100:量子位元檢測系統 200:量子位元製備流程 2:測試模組 21:成像裝置 22:檢測裝置 3:測試控制模組 31:成像資料產生模組 32:成像資料讀取模組 33:量子位元測試產生模組 34:量子位元測試資料讀取模組 4:預測模組 41:量子位元缺陷判定和性質預測模組 42:機器學習模型 5:交互模組 6:監控模組

此處所說明的圖式用來提供對本披露的進一步理解，構成本披露的一部分，本披露的示意性實施例及其說明用於解釋本披露，並不構成對本披露的不當限定。在圖式中：圖1為基於本發明一些實施例的量子位元檢測系統的框架圖；圖2為基於本發明一些實施例的量子位元檢測方法的流程圖；其中：100：量子位元檢測系統、200：量子位元製備流程、2、測試模組；21：成像裝置；22：檢測裝置；3、測試控制模組；31、成像資料產生模組；32、成像資料讀取模組；33、量子位元測試產生模組；34、量子位元測試資料讀取模組；4、預測模組；41、量子位元缺陷判定和性質預測模組；42、機器學習模型；5、交互模組；6、監控模組。

2:測試模組

3:測試控制模組

4:預測模組

5:交互模組

6:監控模組

21:成像裝置

22:檢測裝置

31:成像資料產生模組

32:成像資料讀取模組

33:量子位元測試產生模組

34:量子位元測試資料讀取模組

41:量子位元缺陷判定和性質預測模組

42:機器學習模型

100:量子位元檢測系統

200:量子位元製備流程

Claims

一種量子位元檢測方法，包括：使用成像裝置對量子位元進行成像；將該得到的像輸入機器學習模型；機器學習模型至少基於該得到的像輸出預測資訊。
根據請求項1所述的方法，還包括：使用檢測裝置對量子位元進行檢測，得到檢測資料；將檢測資料輸入該機器學習模型；該機器學習模型基於測試資料和該得到的像輸出預測資訊。
根據請求項2所述的方法，還包括：獲取量子位元的設計資訊；將量子位元的設計資訊輸入該機器學習模型；該機器學習模型基於該設計資訊、該測試資料和該得到的像輸出預測資訊。
根據請求項1至3中任一項所述的方法，其中，該成像裝置包括：掃描電子顯微鏡(SEM)，掃描隧道顯微鏡(STM)，紅外線成像裝置，紫外線成像裝置，可見光範圍內的成像裝置。
根據請求項4所述的方法，其中，使用成像裝置在量子位元的製備過程中進行成像，該製備過程包括多個步驟。
根據請求項4所述的方法，其中，使用成像裝置在量子位元製備完成後進行成像。
根據請求項4所述的方法，其中，該預測資訊包括定量資訊和定性資訊。
根據請求項7所述的方法，其中，該定量資訊包括以下至少一種：工作頻率、相干時間、耦合強度。
根據請求項7所述的方法，其中，該定性資訊包括：量子位元的分級。
根據請求項1至3中任一項所述的方法，其中，該機器學習模型包括：卷積神經網路(CNN)、深度神經網路(DNN)、回歸神經網路(RNN)。
根據請求項1所述的方法，還包括：使用檢測裝置對量子位元進行檢測；將測試資料輸入該機器學習模型；該機器學習模型基於測試資料和該得到的像輸出預測資訊。
一種量子位元檢測系統，包括：測試模組，該測試模組包括成像裝置，該成像裝置配置為對量子位元進行成像；預測模組，該預測模組和該測試模組通信連接，該預測模組包括機器學習模型，該機器學習模型配置為至少基於該得到的像輸出預測資訊。
根據請求項10所述的量子位元檢測系統，其中，該測試模組還包括檢測裝置，該檢測裝置配置為對量子位元進行檢測以得到檢測資料。
根據請求項11所述的量子位元檢測系統，其中，該成像裝置包括：掃描電子顯微鏡(SEM)，掃描隧道顯微鏡(STM)，紅外線成像裝置，紫外線成像裝置，可見光範圍內的成像裝置。
根據請求項11所述的量子位元檢測系統，其中，該機器學習模型包括：卷積神經網路(CNN)、深度神經網路(DNN)、回歸神經網路(RNN)。
根據請求項10所述的量子位元檢測系統，還包括：交互模組和監控模組，該監控模組和該預測模組通信連接，該交互模組和該預測模組以及該監控模組通信連接。
根據請求項10所述的量子位元檢測系統，還包括：測試控制模組，該測試控制模組位於該測試模組和該預測模組之間，該測試控制模組和該測試模組以及該預測模組通信連接，該測試控制模組包括：成像資料產生模組、成像資料讀取模組、量子位元測試產生模組、量子位元測試資料讀取模組。
根據請求項10所述的量子位元檢測系統，其中，該預測模組包括：量子位元缺陷判定和性質預測模組。
一種量子位元檢測裝置，包括：處理器和非暫態儲存媒體，該非暫態儲存媒體儲存有指令集，該指令集被處理器執行時實現：用於使成像裝置對量子位元進行成像的裝置；用於將該得到的像輸入機器學習模型的裝置；用於使機器學習模型至少基於該得到的像輸出預測資訊的裝置。