Characterizing Physical Error Contributions of Quantum Gates

Das Streben nach dem Bau eines nützlichen Quantencomputers ist ein Wettlauf gegen das Unsichtbare. Das Herzstück dieser Maschinen sind Quantenbits, oder Qubits, die Informationen in einem fragilen Zustand der Superposition halten, was es ihnen ermöglicht, Berechnungen durchzuführen, für die klassische Supercomputer Jahrtausende benötigen würden. Diese Leistungsfähigkeit geht jedoch mit einer schweren Schwäche einher: Die geringste Störung aus der Umgebung – ein streuendes Magnetfeld, eine Temperaturschwankung oder eine winzige Imperfektion in der Steuerungselektronik – kann dazu führen, dass das Qubit seine Information verliert. Dieser Verlust, bekannt als Rauschen, ist das primäre Hindernis, das verhindert, dass Quantencomputer ihr volles Potenzial entfalten. Um das Problem zu lösen, müssen Wissenschaften zuerst genau verstehen, woher die Fehler kommen. Es reicht nicht aus zu wissen, dass eine Berechnung fehlgeschlagen ist; Ingenieure müssen wissen, ob der Fehler dadurch verursacht wurde, dass das Qubit Energie verloren hat, durch ein Steuersignal, das etwas zu lang war, oder durch ein langsames, driftestes Rauschen, das sich über die Zeit akkumuliert. Ohne eine präzise Karte dieser Fehlerquellen ist die Verbesserung der Hardware wie der Versuch, einen komplexen Motor zu reparieren, während man eine Augenbinde trägt.

Ein Forschungsteam von IQM Quantum Computers und der Ludwig-Maximilians-Universität München hat eine neue Methode entwickelt, um diese Karte zu erstellen – eine, die nicht nur die Fehler identifiziert, sondern den Wissenschaftern auch mitteilt, wie sehr sie der Identifizierung vertrauen können. In einer Studie, die sich auf einen spezifischen Typ eines supraleitenden Quantenprozessors konzentrierte, wandte die Forschergruppe ihre Methode an, um die Leistung sowohl von Einzelqubit-Gattern als auch von Zwei-Qubit-Gattern zu messen, den grundlegenden Operationen, die Quanteninformationen manipulieren. Sie fanden heraus, dass sie zwar in der Lage waren, die Fehlerquellen für Einzelqubit-Operationen mit hoher Konfidenz zu lokalisieren, dies jedoch bei den komplexeren Zwei-Qubit-Gattern nicht mit demselben Grad an Gewissheit möglich war. Entscheidend war, dass ihre Methode diese Unsicherheit nicht verbarg; stattdessen markierte sie diese als Warnsignal dafür, dass ihr aktuelles Verständnis der Physik unvollständig war. Dieser Ansatz markiert einen Wandel vom bloßen Raten, woher Fehler kommen, hin zu einem rigorosen, datengesteuerten Prozess, der zugibt, wenn dem Modell ein Teil des Puzzles fehlt.

Um die Herausforderung zu verstehen, muss man betrachten, wie Quantencomputer derzeit getestet werden. Traditionell führen Wissenschaftler eine Reihe von Experimenten durch, um zu messen, wie lange ein Qubit seinen Zustand halten kann oder wie genau es eine Rotation ausführt. Sie setzen diese Zahlen dann in ein mathematisches Modell ein, um abzuschätzen, wie viel jeder Faktor zum Gesamtfehler beiträgt. Dieser Prozess setzt voraus, dass das Modell perfekt ist und dass die Fehler unabhängig voneinander sind. In der realen Welt der supraleitenden Schaltkreise sind Fehler jedoch oft miteinander verknüpft, komplex und ändern sich im Laufe der Zeit. Ein Modell, das davon ausgeht, dass alles einfach und unabhängig ist, könnte eine präzise aussehende Zahl liefern, aber diese Zahl könnte völlig falsch sein, wenn die zugrunde liegenden Annahmen fehlerhaft sind. Die Forscher erkannten, dass das Vertrauen auf diese statischen Modelle riskant war, insbesondere da Quantenprozessoren größer und komplexer werden. Sie brauchten einen Weg, direkt aus den Daten zu lernen und gleichzeitig ständig zu überprüfen, ob ihre Annahmen Bestand hatten.

Die Lösung, die sie vorschlugen, ist ein lernbasiertes Framework, das als Brücke zwischen der physischen Welt und dem Computermodell fungiert. Anstatt zu versuchen, die komplexen Gleichungen für jedes neue Experiment zu lösen, baute das Team zunächst eine hochdetaillierte Simulation ihres Quantenprozessors. Diese Simulation enthielt jede bekannte Fehlerquelle, vom natürlichen Energiezerfall der Qubits bis hin zu den subtilen, langsamen Fluktuationen magnetischer Felder, die über die Zeit driften. Sie führten tausende virtuelle Experimente innerhalb dieser Simulation durch und zeichneten die Ergebnisse sowie die spezifischen Fehlerbeiträge für jedes Szenario auf. Mit diesem massiven Datensatz trainierten sie ein Machine-Learning-Tool namens Gaussian Process Regression. Dieses Tool lernte, Muster zu erkennen, und memorierte effektiv die Beziehung zwischen den rohen experimentellen Daten und den spezifischen physikalischen Fehlern, die sie verursachten. Einmal trainiert, konnte dieses Tool einen neuen Satz realer Messwerte nehmen und das Fehlerbudget, also die Aufschlüsselung, woher die Fehler stammen, sofort vorhersagen.

Was diese Methode besonders leistungsstark macht, ist ihre Fähigkeit, die eigene Konfidenz zu messen. Das Machine-Learning-Tool liefert nicht nur eine einzige Antwort; es liefert einen Bereich der Unsicherheit. Wenn die realen Daten den Daten ähneln, die das Tool während des Trainings gesehen hat, ist die Unsicherheit gering und die Vorhersage zuverlässig. Aber wenn sich die realen Daten so verhalten, wie es die Simulation nie gesehen hat, steigt die Unsicherheit des Tools sprunghaft an. Dieser Anstieg ist kein Versagen der Methode; er ist ein Feature. Er dient als diagnostisches Signal, das den Forschern mitteilt, dass ihr physikalisches Modell etwas Wichtiges vermissen lässt. Es ist der Unterschied zwischen einer Wettervorhersage, die selbstverständlich Sonnenschein vorhersagt, während eigentlich ein Sturm aufzieht, und einer Vorhersage, die sagt: „Ich bin mir nicht sicher, weil die Bedingungen anders sind, als ich sie bisher gesehen habe.“

Das Team testete dieses Framework an einem Paar Qubits in einem Transmon-Array, einer gängigen Architektur für supraleitende Quantencomputer. Sie konzentrierten sich auf zwei Arten von Operationen: das Einzelqubit-Gate, welches den Zustand eines einzelnen Qubits umkehrt, und das Zwei-Qubit-Gate, welches zwei Qubits miteinander verschränkt. Für die Einzelqubit-Gates waren die Ergebnisse beruhigend. Das Framework rekonstruierte das Fehlerbudget erfolgreich und identifizierte, dass die dominanten Fehler durch den Energieverlust der Qubits und durch leichte Imperfektionen in den Steuerpulsen entstanden. Die Unsicherheit war gering, was bedeutete, dass das Team darauf vertrauen konnte, dass ihr Modell die Physik dieser Operationen korrekt beschrieb. Sie konnten genau sehen, wie viel jeder Faktor zum Gesamtfehler beitrug, was ein klares Ziel für zukünftige Verbesserungen bot.

Die Geschichte änderte sich, als sie ihre Aufmerksamkeit auf die Zwei-Qubit-Gates richteten. Diese Operationen sind wesentlich komplexer und beinhalten eine dritte Komponente, einen Koppler, der die beiden Qubits verbindet. Als die Forscher ihr Framework auf die Daten der Zwei-Qubit-Gates anwandten, waren die Schätzungen der Unsicherheit hoch. Das Tool signalisierte, dass selbst ihr hochdetailliertes First-Principles-Modell, das komplexe nicht-markovsche Rauschprozesse und Pulsverzerrungen beinhaltete, die Dynamik des Systems nicht vollständig erfassen konnte. Die Fehler in der realen Welt verhielten sich auf eine Weise, die die Simulation nicht vorhergesagt hatte. Dies war eine entscheidende Erkenntung. Eine traditionelle Methode hätte die Daten in das Modell hineingezwängt und ein präzises, aber irreführendes Fehlerbudget erzeugt, das die wahre Komplexität des Problems verborgen hätte. Stattdessen gab dieses neue Framework die Lücke offen und lieferte einen quantitativen Beleg dafür, dass das aktuelle Verständnis der Zwei-Qubit-Gate-Fehler unvollständig ist.

Die Forscher identifizierten, dass die dominanten Fehler im Zwei-Qubit-Gate wahrscheinlich mit Imperfektionen der Steuerpulse und der spezifischen Art und Weise zusammenhingen, wie der Koppler mit den Qubits interagiert, doch die hohe Unsicherheit deutete darauf hin, dass noch andere, nicht modellierte Faktoren im Spiel waren. Dies könnten subtile Verzerrungen in den elektrischen Signalen oder Wechselwirkungen mit der Umgebung bei Frequenzen sein, die sie noch nicht untersucht hatten. Die Studie unterstreicht, dass der Weg zu großskalierbaren Quantencomputern neben besserer Hardware auch bessere Wege erfordert, diese zu verstehen. Die Fähigkeit, zwischen dem Bekannten und dem Unbekannten zu unterscheiden, ist ebenso wichtig wie die Messungen selbst.

Diese Arbeit stellt einen bedeutenden Fortschritt in der Charakterisierung von Quantenhardware dar. Indem sie das Error Budgeting als ein Lernproblem statt als eine einfache Berechnung behandeln, haben die Forscher ein Werkzeug geschaffen, das sowohl leistungsstark als auch ehrlich ist. Es ermöglicht Wissenschaftlern, detaillierte Erkenntnisse aus komplexen Experimenten zu gewinnen und gleichzeitig eine Warnung auszugeben, wenn ihre Modelle unzureichend sind. Während Quantenprozessoren weiter skalieren – mit mehr Qubits und komplexeren Interaktionen –, wird die Fähigkeit, diese Wissenslücken zu erkennen, unerlässlich sein. Das Framework sagt den Ingenieuren nicht nur, was falsch ist; es sagt ihnen, wo ihr Wissen endet, und führt sie somit zu den nächsten Experimenten, die nötig sind, um die fehlenden Teile einzufügen. Im Wettlauf um den Bau eines zuverlässigen Quantencomputers ist das Wissen darüber, was man nicht weiß, der erste Schritt zur Lösung des Problems.