Evaluating the performance of QEC primitives on quantum processors at large width and depth

Quantencomputer versprechen, Probleme zu lösen, die für klassische Maschinen derzeit unmöglich sind, von der Entwicklung neuer Medikamente bis hin zur Modellierung komplexer Klimasysteme. Diese Maschinen sind jedoch unglaublich fragil. Die Quantenbits, oder Qubits, die Informationen speichern, werden leicht durch Hitze, Vibration und elektromagnetisches Rauschen gestört, was dazu führt, dass sie ihre Daten fast augenblicklich verlieren. Um einen nützlichen Quantencomputer zu bauen, müssen Wissenschaftler einen Weg finden, diese Informationen zu schützen, einen Prozess, der als Quantenfehlerkorrektur bekannt ist. Diese Methode beinhaltet das ständige Überprüfen der Qubits auf Fehler, ohne den empfindlichen Quantenzustand zu zerstören – eine Aufgabe, die eine komplexe Abfolge von Operationen erfordert: das Messen einiger Qubits, um zu sehen, ob ein Fehler aufgetreten ist, das Zurücksetzen dieser Qubits und die anschließende Nutzung dieser Information, um die anderen in Echtzeit zu korrigieren. Diese Schritte sind schwierig zuverlässig auszuführen, und bisher war das Testen dieser Abläufe langsam, teuer und erforderte enorme Mengen an Rechenzeit.

Ein Forscherteam hat eine neue, effiziente Methode vorgestellt, um zu testen, wie gut verschiedene Quantenprozessoren diese kritischen Fehlerkorrekturschritte bewältigen können. Anstatt ressourcenintensive Vollversionen von Fehlerkorrekturexperimenten durchzuführen, die Tage dauern könnten oder keine klaren Ergebnisse liefern würden, entwickelte das Team eine Abkürzung unter Verwendung eines speziellen Typs von Algorithmus, dem Quantum Approximate Optimization Algorithm. Sie passten diesen Algorithmus so an, dass seine Struktur das exakte Muster der Verbindungen und Messungen der Fehlerkorrektur nachahmt, jedoch mit einer Besonderheit: Der Algorithmus erzeugt ein klares, messbares Signal, das schwächer wird, wenn Fehler akkumulieren. Durch das Ausführen dieses angepassten Algorithmus auf verschiedenen Quantenprozessoren konnten die Forscher schnell abschätzen, wie sehr sich die Maschinen verschlechtern, wenn sie gezwungen werden, die schwierige Aufgabe der Messung und des Zurücksetzens von Qubits mitten im Schaltkreis auszuführen. Dieser Ansatz ermöglicht es Wissenschaftlern, verschiedene Hardwaregenerationen und Architekturen zu vergleichen, ohne die immensen Ressourcen zu benötigen, die für eine vollständige Demonstration der Fehlerkorrektur erforderlich wären.

Die Forscher testeten ihre Methode an zehn verschiedenen Quantenprozessoren von drei großen Herstellern: IBM, IQM und Quantinuum. Sie begannen mit einem einfachen Test an einer Kette von Qubits, um zu sehen, wie sich die Leistung veränderte, wenn sie mehr Messungen während des Schaltkreislaufs hinzufügten. Sie fanden heraus, dass das Signal auf einigen Maschinen stark blieb, selbst als die Kette wuchs, während auf anderen die Leistung drastisch abfiel. Durch die Übersetzung des Abfalls des Algorithmus-Signals in eine einzige Zahl, die eine effektive Fehlerrate darstellt, konnten sie die Kosten der Nutzung von Messungen während des Schaltkreislaufs direkt über verschiedene Geräte hinweg vergleichen. Beispielsweise war der zusätzliche Aufwand für diese Messungen auf den IBM-Maschinen signifikant höher als die Kosten für Standardoperationen, während er auf den Quanten-Ionen-Maschinen von Quantinuum viel geringer war und mit den Fehlern herkömmlicher Zwei-Qubit-Gatter vergleichbar war.

Die Studie ging weiter und testete die Methode gegen tatsächliche Fehlerkorrektur-Codes, einschließlich des Surface Code und des Color Code, die führende Kandidaten für den Bau fehlertoleranter Quantencomputer sind. Das Team führte diese Tests an Geräten mit bis zu 91 Data-Qubits durch, ein Maßstab, der mit traditionellen Methoden extrem schwierig zu testen wäre. Sie entdeckten, dass der neue Benchmark zwischen verschiedenen Hardwaregenerationen unterscheiden und sogar identifizieren konnte, welche Teile eines einzelnen Chips besser funktionierten als andere. In einem entscheidenden Validierungsschritt verglichen sie die Ergebnisse des schnellen Benchmarks mit den Ergebnissen eines vollständigen, langsamen Fehlerkorrektur-Spekoerimenten (Error-Correction Memory Experiment), das auf demselben IBM-Prozessor durchgeführt wurde. Sie fanden eine starke Korrelation: Die Regionen des Chips, die im schnellen Benchmark gut abschnitten, zeigten auch die niedrigsten Fehlerraten im vollständigen Speicherexperiment. Dies deutet darauf hin, dass die neue Methode zuverlässig vorhersagen kann, wie gut ein Quantenprozessor die komplexen Anforderungen der Fehlerkorrektur bewältigen kann.

Die Forscher ermittelten zudem, wie oft sie diese Tests durchführen mussten, um ein zuverlässiges Ergebnis zu erhalten. Sie fanden heraus, dass für die meisten Geräte nur einige Dutzend bis einige hundert Durchläufe ausreichten, um festzustellen, ob die Maschine noch immer das algorithmische Signal bewahrt oder ob sie in zufälliges Rauschen kollabiert war. Dies ist eine dramatische Reduktion im Vergleich zu den Tausenden oder Millionen von Durchläufen, die oft für traditionelle Tests benötigt werden. Die Studie zeigt, dass mit verbesserter Hardware und sinkenden Fehlerraten die Tests tiefer und mit mehr Schichten durchgeführt werden müssen, um Unterschiede sichtbar zu machen, aber die Methode bleibt effizient. Indem sie einen praktischen, kostengünstigen Weg zur Bewertung der Einsatzbereitschaft von Quantenhardware für die Fehlerkorrektur bereitstellen, bietet diese Arbeit ein wichtiges Werkzeug, um den Fortschritt in diesem Bereich zu verfolgen. Sie ermöglicht es unabhängigen Forschern und Organisationen zu beurteilen, ob neue Quantenprozessoren tatsächlich auf das Ziel der Fehlertoleranz zusteuern, ohne auf die Fertigstellung der vollständigen, teuren logischen Speicherexperimente warten zu müssen.