Error-Corrected Memory and Logic on a Heavy-Hex Superconducting-Qubit Processor

Das Streben nach dem Bau eines nützlichen Quantencomputers wird oft als ein Wettlauf gegen das Rauschen beschrieben. In der Quantenwelt wird Information in fragilen Zuständen gespeichert, die durch die geringste Störung aus der Umgebung leicht durcheinandergebracht werden können. Um diese Information zu schützen, nutzen Wissenschaftler eine Technik namens Fehlerkorrektur, bei der ein einzelnes Stück an Daten über viele physikalische Komponenten verteilt wird. Wenn eine Komponente ausfällt, können die anderen den Fehler erkennen und beheben, ohne die Daten zu zerstören. Dieser Ansatz ist essenziell für die Skalierung von Quantenmaschinen, erfordert jedoch eine massive Anzahl von Komponenten, die in perfekter Harmonie zusammenarbeiten. Die Herausforderung besteht darin, dass reale Maschinen niemals perfekt sind; die winzigen supraleitenden Schaltkreise, die zur Speicherung von Quanteninformationen verwendet werden, weisen oft leichte Variationen in ihrer Leistung auf, und einige Komponenten sind schlichtweg defekt oder wesentlich verrauschter als andere. Wenn ein Computer diese Mängel nicht tolerieren kann, wäre der Herstellungsprozess so verschwenderisch, dass der Bau einer großen Maschine unmöglich wäre.

Ein Team von Forschern hat einen Weg demonstriert, wie man einen großen Quantenprozessor selbst dann effektiv arbeiten lässt, wenn er defekte Teile enthält. Auf einem 156-Qubit-Supraleiter-Chip, bekannt als IBM Boston, führsumen sie ein komplexes Fehlerkorrekturexperiment über das gesamte Gerät durch. Anstatt zu versuchen, die defekten Teile zur Arbeit zu zwingen, entwickelten sie eine Strategie, sie einfach zu ignorieren. Indem sie kartografierten, welche Komponenten schlecht funktionierten, und den Messplan so umgestalteten, dass man um sie herum navigierte, konnte das Team eine hohe Leistung aufrechterhalten. Sie fanden heraus, dass sie durch den Ausschluss der am schlechtesten funktionierenden Teile und die Verwendung eines intelligenten Computerprogramms zur Interpretation der Ergebnisse die Fehlerrate signifikant senken konnten. In Tests, die darauf ausgelegt waren, Informationen zu speichern, verbesserte dieser Ansatz die Zuverlässigkeit des Speichers um bis zu 35 Prozent. In Tests, die darauf ausgelegt waren, logische Operationen durchzuführen, war die Verbesserung mit 56 Prozent sogar noch dramatischer. Die Forscher zeigten auch, dass sie durch das Filtern von Experimenten, bei denen die Daten wahrscheinlich durch eine spezifische Art von Fehler namens „Leakage“ (Leckage) korrumpiert wurden, eine extrem hohe Fidelität bei der Erzeugung verschränkter Zustände erreichen konnten, wobei die Erfolgsraten in den Post-Selection-Läufen 97 Prozent überstiegen.

Das Experiment wurde auf einem Chip mit einem einzigartigen Layout durchgeführt, einem sogenannten Heavy-Hexagonal-Gitter, das die Qubits in einem spezifischen Muster verbindet, das leichter herzustellen, aber schwieriger für die Fehlerkorrektur ist als ein einfaches Gitter. Die Forscher verwendeten einen dynamischen Code, eine Methode, die die Art und Weise ändert, wie Fehler im Laufe der Zeit überprüft werden, was es ermöglicht, sich an die Unregelmäßigkeiten des Chips anzupassen. Sie identifizierten zwei spezifische Bereiche auf dem Chip, in denen die Komponenten konsistent unterperformten, mit Fehlerraten, die viel höher waren als beim Rest des Geräts. Anstatt den gesamten Chip zu verwerfen, gestalteten sie das Fehlerkorrekturprotokoll um, um diese Bereiche vollständig zu umgehen. Dies beinhaltete die Erstellung neuer, etwas größerer Prüfungen, die über die schlechten Komponenten hinwegsprangen und so die Fehlerkorrektur effektiv um die Löcher im Gewebe der Maschine herum woben.

Um die vom Chip kommenden Daten zu interpretieren, setzte das Team eine ausgeklügelte Dekodierungsstrategie ein. Sie verwendeten eine Methode namens ACES, um die spezifischen Rauschmuster des Schaltkreises am Tag des Experiments zu messen und so eine detaillierte Karte zu erstellen, wo Fehler wahrscheinlich auftreten würden. Diese Karte wurde in einen Decoder eingespeist, einen klassischen Computer-Algorithmus, der wie ein Übersetzer fungiert, die Rohsignale vom Quantenchip interpretiert, um festzustellen, ob ein Fehler aufgetreten ist und wie er zu beheben sei. Die Forscher fanden heraus, dass die Verwendung dieser detaillierten Echtzeit-Rauschinformationen weitaus effektiver war als das Vertrauen auf generische Durchschnittsfehlerraten. Sie entdeckten jedoch auch, dass selbst mit der besten Rauschkarte das Vorhandensein defekter Komponenten eine harte Grenze für die Leistung setzte. Der Decoder konnte die schlechten Teile nicht vollständig kompensieren; der einzige Weg, sie zu überwinden, bestand darin, sie physisch aus der Berechnung auszuschließen.

Das Team testete seinen Ansatz auf drei verschiedene Arten. Zuerst führten sie Speicher-Experimente durch, bei denen sie einen Quantenzustand speicherten und prüften, wie gut dieser über die Zeit überlebte. Sie fanden heraus, dass durch den Ausschluss der defekten Komponenten und die Verwendung ihres rauschinformierten Decoders die logische Fehlerrate signifikant sank. Im besten Fall wurde die Fehlerwahrscheinlichkeit pro Messrunde auf zwischen 2,56 und 4,11 Prozent reduziert. Dies war eine erhebliche Verbesserung gegenüber der Verwendung der defekten Komponenten oder weniger genauer Rauschmodelle. Zweitens testeten sie die Stabilität des Systems, indem sie die Fehlerkorrektur über viele Runden laufen ließen, um zu sehen, ob das System Fehler über die Zeit unterdrücken kann. Ohne den Ausschluss von Defekten würde die Fehlerrate nach etwa 12 Runden stagnieren und ein Plateau erreichen. Mit dem Ausschluss der defekten Komponenten sank die Fehlerrate kontinuierlich bis zu 30 Runden weiter, was zeigte, dass das System Fehler tatsächlich unterdrücken kann, wenn die schlechten Teile entfernt werden.

Schließlich testeten die Forscher die Fähigkeit der Maschine, logische Operationen durchzuführen, insbesondere einen Prozess namens Lattice Surgery (Gitterchirurgie), der es ermöglicht, dass zwei separate logische Qubits verschmelzen und interagieren. Dies ist ein entscheidender Schritt für komplexe Berechnungen. Sie fanden heraus, dass sie durch das Filtern von Durchläufen, bei denen der Anfangszustand wahrscheinlich aus dem sicheren Rechenraum „geleckt“ war, sehr hochwertige Ergebnisse erzielen konnten. Als sie diese Vorselektion mit einer Post-Selection-Technik kombinierten, die nur die vertrauenswürdigsten Ergebnisse beibehielt, konnten sie verschränkte Zustände mit einer Fidelität von über 97 Prozent erzeugen. Dies bedeutet, dass die resultierenden Quantenzustände den idealen theoretischen Zuständen extrem nahe kamen – ein Qualitätsniveau, das für zukünftige groß angelegte Quantencomputer notwendig ist.

Die Studie unterstreicht eine entscheidende Lektion für die Zukunft des Quantencomputings: Perfektion in der Fertigung ist nicht zwingend erforderlich, um eine hohe Leistung zu erzielen. Während die Komponenten auf einem Chip immer variieren werden und einige unvermeidlich defekt sein werden, kann das System so konzipiert werden, dass es diese Mängel umgeht. Die Forscher zeigten, dass ein Quantenprozessor durch die Kombination von aktivem Defektausschluss mit intelligentem Decoding und sorgfältiger Filterung auch bei unperfekter Hardware eine hohe Fidelität aufrechterhalten kann. Dieser Ansatz legt nahe, dass, wenn Quantenchips größer und komplexer werden, die Fähigkeit, Defekte zu tolerieren und zu umgehen, genauso wichtig sein wird wie die reine Qualität der einzelnen Komponenten. Die Arbeit bietet einen praktischen Weg nach vorn, um nützliche Quantencomputer auf heutiger Hardware zu bauen, und beweist, dass hohe Leistung auch möglich ist, wenn die Maschine nicht perfekt ist.