Spiking neural networks for streaming qubit readout

Quantencomputer versprechen, Probleme zu lösen, die selbst für die leistungsstärksten Supercomputer derzeit unmöglich sind – von der Entwicklung neuer Medikamente bis hin zur Simulation komplexer Materialien. Diese Maschinen sind jedoch unglaublich fragil. Um zu funktionieren, müssen sie sich in einem Zustand eines empfindlichen Gleichgewichts befinden, und die kleinste Störung kann dazu führen, dass sie ihre Informationen verlieren. Um einen Quantencomputer am Laufen zu halten, müssen Wissenschaftler ständig den Status seiner einzelnen Komponenten, der sogenannten Qubits, überprüfen und auf Basis dessen, was sie finden, schnelle Anpassungen vornehmen. Dieser Prozess des Überprüfens oder „Auslesens“ des Zustands eines Qubits ist nicht nur ein letzter Schritt; es ist ein kontinuierliches, hochkarätiges Gespräch zwischen der Maschine und dem Wissenschaftler. Wenn das Auslesen zu langsam oder ungenau ist, kann der Computer seine Fehler nicht rechtzeitig korrigieren, und die Berechnung schlägt fehl. Jahrelang haben sich Wissenschaftler auf Standardmethoden verlassen, um diese Signale zu interpretieren, aber da Quantenmaschinen größer und komplexer werden, werden diese alten Werkzeuge zu langsam und zu starr, um mit der chaotischen Echtzeit-Natur der Daten umzugehen.

Ein Forschungsteam hat nun eine neue Art eingeführt, diesen Quantensignalen zuzuhören, indem es eine Art „Computergehirn“ verwendet, das vom menschlichen Nervensystem inspiriert ist. Anstatt darauf zu warten, dass eine gesamte Messung abgeschlossen ist, bevor eine Entscheidung getroffen wird, hört dieses neue System dem Signal zu, während es ankommt, und aktualisiert sein Verständnis von Moment zu Moment. Dieser Ansatz, der auf Spiking Neural Networks (impulsbasierten neuronalen Netzen) basiert, ermöglicht es dem Computer, Entscheidungen viel schneller als bisher zu treffen, was potenziell die schnellen Korrekturen ermöglicht, die für das groß angelegte Quantencomputing erforderlich sind. Die Forscher testeten diese Methode an einem kleinen Quantenprozessor mit fünf Qubits und fanden heraus, dass sie den Zustand der Qubits mit hoher Genauigkeit identifizieren konnte, wobei sie die Leistung viel größerer, langsamerer Systeme erreichte und gleichzeitig in Echtzeit arbeitete.

Die Herausforderung beginnt damit, wie Quantencomputer gemessen werden. In den supraleitenden Quantenprozessoren, die von vielen Forschern verwendet werden, werden Informationen ausgelesen, indem Mikrowellensignale durch die Maschine gesendet werden. Wenn ein Qubit in einem anderen Zustand ist, verschiebt dies die Frequenz dieser Signale leicht. In modernen Setups messen Wissenschaftler oft viele Qubits gleichzeitig, indem sie verschiedene Frequenzen über ein einziges Kabel senden, eine Technik, die als Frequenzmultiplexing bezeichnet wird. Obwohl dies effizient ist, erzeugt es ein komplexes Signal, das eine Mischung aus den Antworten aller Qubits ist. Das Signal ist keine saubere, einfache Linie; es ist eine verrauschte, fluktuierende Spur, die dadurch verzerrt werden kann, dass die Qubits miteinander interagieren oder dass sich die Qubits während der Messung ändern. Traditionell haben Wissenschaftler eine Methode namens „Matched Filtering“ (Abgleichfilterung) verwendet, um diese Spuren zu interpretieren. Diese Methode funktioniert, indem sie das eingehende Signal mit einer perfekten, vorab berechneten Vorlage vergleicht, wie das Signal aussehen sollte. Dieser Ansatz hat jedoch einen erheblichen Fehler: Er erfordert, dass die gesamte Messung aufgezeichnet wird, bevor eine Analyse beginnen kann. Er behandelt das Signal wie ein statisches Bild und ignoriert dabei, dass sich das Signal im Laufe der Zeit ändert und dass wichtige Hinweise früh in der Messung erscheinen und dann wieder verschwinden können.

Um diese Einschränkung zu überwinden, wandten sich die Forscher an eine andere Art von künstlicher Intelligenz, die als Spiking Neural Network bekannt ist. Im Gegensatz zu Standard-Künstlichen-Neuronalen-Netzen, die Daten in kontinuierlichen Strömen verarbeiten und erst eine Antwort liefern, nachdem sie den gesamten Input gesehen haben, sind Spiking Neural Networks darauf ausgelegt, Informationen zu verarbeiten, während sie eintreffen – ganz ähnlich wie Neuronen im Gehirn, die als Reaktion auf bestimmte Ereignisse feuern. In diesem neuen System wird das eingehende Mikrowellensignal in winzige Zeitschlitze zerlegt, die jeweils nur 100 Nanosekunden dauern. Soblich ein Schlitz eintrifft, verarbeitet das Netzwerk ihn sofort, aktualisiert sein internes Gedächtnis und seine Vermutung über den Zustand des Qubits. Es wartet nicht darauf, dass die vollständige Messung abgeschlossen ist. Dies ermöglicht es dem System, eine Entscheidung fast so schnell zu treffen, wie die Messung beginnt, anstatt bis zum ganz am Ende zu warten. Die Forscher bauten dieses System auf einer spezialisierten Hardware namens Field-Programmable Gate Array (FPGA) auf, einem Typ von Chip, der häufig in Quantensteuerungssystemen verwendet wird, da er Berechnungen mit extrem geringer Verzögerung durchführen kann.

Das Team testete seine neue Methode an einem fünf-Qubit-Quantenprozessor, einem kleinen, aber realistischen Benchmark, der alle Komplikationen einer größeren Maschine beinhaltet, wie etwa Rauschen und Interferenzen zwischen den Qubits. Sie verglichen ihr Spiking Neural Network mit der traditionellen Matched-Filter-Methode und mit einem Standard-Künstlichen-Neuronalen-Netz, das auf die vollständigen Daten wartet, bevor es entscheidet. Die Ergebnisse zeigten, dass das Spiking Neural Network hocheffektiv war. Es erreichte eine Genauigkeit, die nahezu identisch mit der des wesentlich größeren Standard-Neuronalen-Netzes war, welches Zugriff auf alle Daten auf einmal hatte, aber es tat dies bei der Verarbeitung der Daten in Echtzeit. Die traditionelle Matched-Filter-Methode, die derzeitiger Standard ist, war weniger genau, insbesondere wenn die Qubits miteinander interagierten oder wenn das Signal verrauscht war. Das neue System war in der Lage, diese komplexen Muster zu erkennen und für sie zu korrigieren, wodurch die Fehler reduziert wurden, die auftreten, wenn die Messung eines Qubits durch den Zustand eines anderen verwirrt wird.

Eine der bedeutendsten Erkenntnisse war die Fähigkeit, zu steuern, wann das System seine Entscheidung trifft. Da das Netzwerk seine Vermutung nach jedem winzigen Zeitschnitt aktualisiert, konnten die Forscher es darauf trainieren, sicher genug zu sein, um frühzeitig aufzuhören, wenn das Signal klar ist, oder länger zu warten, wenn das Signal mehrdeutig ist. Sie fanden heraus, dass sie durch die Anpassung des Trainings eine sehr genaue Messung nach nur 600 Nanosekunden der Messung erreichen konnten – was einen signifikanten Teil der Gesamtzeit darstellt –, ohne die Genauigkeit des Endergebnisses zu beeinträchtigen. Diese Flexibilität ist entscheidend für die Quantenfehlerkorrektur, bei der das System schnell entscheiden muss, ob eine Korrektur angewendet oder auf weitere Informationen gewartet werden soll. Die Forscher demonstrierten auch, dass sie dieses komplexe System auf Hardware unter Verwendung vereinfachter Zahlen betreiben konnten – eine Technik namens Quantisierung –, ohne viel Genauigkeit zu verlieren. Dies ist von entscheidender Bedeutung, da es bedeutet, dass das System mit den begrenzten Ressourcen eines realen Quantencomputer-Controllers laufen kann, ohne massiv viel Strom oder Speicher zu benötigen.

Die Hardware-Tests bestätigten, dass das System schnell genug für die Aufgabe ist. Die Forscher berechneten, dass der Chip jeden 100-Nanosekunden-Datenschnipsel in etwa 31 bis 52 Nanosekunden verarbeiten kann. Das bedeutet, dass das System seine Berechnung abschließt und seine Entscheidung aktualisiert, noch bevor der nächste Datenschnipsel eintrifft. Diese Geschwindigkeit ist essenziell für ein Streaming-Readout, bei dem das System dem Informationsfluss folgen muss, ohne zurückzufallen. Die Studie zeigte, dass dieser Ansatz nicht nur eine theoretische Möglichkeit ist, sondern eine praktische Lösung, die mit heutiger Technologie gebaut werden kann. Durch die Kombination der Fähigkeit, aus komplexen, verrauschten Daten zu lernen, mit der Geschwindigkeit der Echtzeitverarbeitung bietet das Spiking Neural Network einen neuen Weg nach vorne, um Quantencomputer auszulesen. Es schließt die Lücke zwischen den langsamen, starren Methoden der Vergangenheit und den schnellen, adaptiven Anforderungen der Zukunft und legt nahe, dass die nächste Generation von Quantencomputern auf diese vom Gehirn inspirierten Systeme angewiesen sein könnte, um auf Kurs zu bleiben.