Lifting: Quantum State Discrimination Framework for Mid-Circuit Measurements

Quantencomputer versprechen, Probleme zu lösen, für die klassische Maschinen tausende von Jahren benötigen würden, aber sie sind unglaublich fragil. Um zu funktionieren, müssen sie komplexe Sequenzen von Operationen durchführen und gleichzeitig ständig nach Fehlern suchen. Ein entscheidender Teil dieses Prozesses ist die Fähigkeit, ein Quantenbit oder Qubit mitten in einer Berechnung zu messen, ohne die gesamte Berechnung zu zerstören. Dies wird als Mid-Circuit-Messung bezeichnet. Wenn ein Qubit gemessen wird, erzeugt es ein schwaches Mikrowellensignal, das interpretiert werden muss, um zu bestimmen, ob sich das Qubit im Zustand Null oder Eins befindet. Auf den heute verwendeten supraleitenden Chips ist dieses Signal jedoch oft verrauscht und verzerrt. Während eine Berechnung fortschreitet und Qubits wiederholt gemessen werden, verschlechtert sich der physikalische Zustand der Hardware, was die Signale noch schwieriger lesbar macht. Wenn der Computer ein Signal missinterpretiert, könnte er eine falsche Korrektur anwenden, was die gesamte Berechnung scheitern lässt.

Forscher haben versucht, diesen Leseprozess mithilfe von künstlicher Intelligenz zu verbessern, insbesondere durch neuronale Netze, die gut darin sind, Muster in unordentlichen Daten zu finden. Es gibt jedoch eine harte Grenze dafür, wie gut diese Netzwerke abschneiden können, wenn sie nur das Signal eines einzelnen Qubits betrachten. Wenn das Rauschen dazu führt, dass sich die Signale für Null und Eins zu stark überschneiden, kann kein Softwaretraining der Welt sie mit Sicherheit voneinander unterscheiden. Darüber hinaus scheitern Standard-Kalibrierungsmethoden, die den Computer lehren, Signale vor Beginn eines Durchlaufs zu lesen, oft daran, der Realität gerecht zu werden, die während einer langen, komplexen Berechnung auftritt. Die Signale ändern sich, während der Schaltkreis läuft, wodurch die Software mit veralteten Informationen trainiert wird.

Um diese Hürden zu überwinden, hat ein Forscherteam der Indiana University und des Lawrence Berkeley National Laboratory ein neues Framework namens „Lifting“ entwickelt. Anstatt zu versuchen, das Lesen eines einzelnen Qubits zu perfektionieren, verändert Lifting die Art und Weise, wie die Informationen gesammelt werden. Bevor ein Ziel-Qubit gemessen wird, verknüpft das System es vorübergehend mit einem oder mehreren Helfer-Qubits. Dadurch entsteht eine Gruppe von Qubits, die denselben Zustand teilen. Das System misst dann alle diese Qubits zur exakt gleichen Zeit und erfasst ein kombiniertes Signal, das das Ziel-Qubit und seine Helfer umfasst. Indem das System dieses gemeinsame Bild betrachtet anstatt eines einzelnen isolierten Signals, gewinnt es zusätzliche Informationen, die helfen, die Null- und Eins-Zustände zu trennen, selbst wenn diese verrauscht sind.

Die Forscher testeten diesen Ansatz auf drei verschiedenen IBM-Quantenprozessoren. Sie fanden heraus, dass allein das Hinzufügen der Helfer-Qubits und deren gemeinsames Messen die Verwirrung zwischen den Zuständen signifikant reduzierte. Das Team entdeckte jedoch auch, dass der Zeitpunkt des Trainings genauso wichtig war wie die Hardware selbst. Sie entwickelten eine Methode, um die Lesesoftware während der Ausführung des Schaltkreises zu kalibrieren, wodurch sichergestellt wurde, dass der Computer lernte, die Signale unter genau den Bedingungen zu interpretieren, denen er während der eigentlichen Aufgabe gegenübersteht. Diese „In-situ“-Kalibrierung berücksichtigte die Art und Weise, wie sich die Hardware während des Fortschreitens der Berechnung veränderte.

Als die Forscher die gemeinsame Messmethode mit dieser Echtzeit-Kalibrierung kombinierten, waren die Ergebnisse substanziell. In einem Test mit wiederholten Messungen gelang einem Standardsystem, das auf älteren Kalibrierungsmethoden basierte, die Aufgabe nur in etwa 54 Prozent der Fälle korrekt. Das neue Lifting-Framework, das die kombinierten Signale und das Echtzeit-Training nutzte, steigerte die Erfolgsquote auf nahezu 62 Prozent, wenn die am meisten zweifelhaften Ergebnisse herausgefiltert wurden. In anderen Tests, die Fehlerkorrektur und Datenteleportation beinhalteten, schnitt die neue Methode konsistent besser ab als die Standardansätze. Die Studie legt nahe, dass der beste Weg, einen Quantencomputer auszulesen, nicht darin besteht, einen besseren Decoder zu bauen, sondern die verfügbaren Informationen zu verändern und ihn mit denselben Bedingungen zu lehren, denen er in der realen Welt begegnet. Dieser Ansatz bietet einen praktischen Pfad, um Quantencomputer zuverlässiger zu machen, ohne völlig neue Hardware zu benötigen.