Demonstration of Logical Error Suppression in a Surface Code Memory on a Cloud-Accessible IBM Superconducting Processor

Quantencomputer versprechen Probleme zu lösen, die für die Maschinen, die wir heute verwenden, unmöglich sind – von der Entwicklung neuer Medikamente bis hin zum Knacken komplexer Codes. Diese Maschinen sind jedoch unglaublich fragil. Die winzigen Teilchen, die sie zur Speicherung von Informationen nutzen, werden Qubits genannt; sie werden leicht durch Hitze, Vibration oder sogar durch streuende elektromagnetische Wellen gestört. Diese Empfindlichkeit führt dazu, dass Fehler einschleichen, die die Berechnung korrumpieren, bevor sie abgeschlossen ist. Um einen nützlichen Quantencomputer zu bauen, müssen Wissenschaftler einen Weg finden, diese Informationen zu schützen. Sie tun dies, indem sie ein einzelnes Stück Daten über viele physische Qubits verteilen und so ein „logisches“ Qubit erschaffen, das überleben kann, wenn einige seiner Teile ausfallen. Dies ist als Quantenfehlerkorrektur bekannt. Das Ziel ist es, einen Punkt zu erreichen, an dem das Hinzufügen von mehr physischen Teilen das System tatsächlich zuverlässiger macht, statt es weniger zuverlässig zu machen, sodass der Computer über lange Zeiträume laufen kann, ohne zusammenzubrechen.

Ein Forscherteam hat diese Idee kürzlich auf einem echten, cloudbasierten Quantenprozessor von IBM getestet. Sie konzentrierten sich auf eine spezifische Methode namens Surface Code, die Qubits in einem Gitter anordnet, um Fehler abzufangen und zu beheben. Während die Theorie nahelegt, dass das Vergrößern des Gitters die Fehler drastisch reduzieren sollte, ist die reale Hardware unordentlich. Die Qubits sind nicht alle identisch; einige sind stärker, andere schwächer, und das Rauschen, das sie beeinflusst, ändert sich im Laufe der Zeit. Die Forscher wollten sehen, ob sie diese Fehlerkorrektur auf tatsächlicher Hardware besser zum Laufen bringen können, indem sie die Arbeitsweise der Maschine sorgfältig anpassen, anstatt sich nur auf das theoretische Design zu verlassen. Sie verwendeten einen Prozessor namens Nighthawk r2, der eine gitterartige Anordnung besitzt, die zum Surface Code natürlich passt, was es ihnen ermöglichte, verschiedene Konfigurationen zu testen, ohne zusätzliche Schritte zur Informationsbewegung zu benötigen.

Das Team stellte fest, dass die Leistung der Fehlerkorrektur erheblich davon abhing, an welchem exakten Ort sie ihr Gitter auf dem Chip des Prozessors platzierten. Einige Standorte funktionierten viel besser als andere, einfach weil die physischen Qubits an diesen Stellen von höherer Qualität waren. Um die besten Ergebnisse zu erzielen, mussten sie ihre Plätze klug wählen. Sobald sie die besten Standorte ausgewählt hatten, konzentrierten sie sich auf das Timing der Operationen. In einem Standardaufbau verbringt die Maschine viel Zeit damit, den Zustand der „Helfer“-Qubits (Ancillas) auszulesen, die zur Erkennung von Fehlern verwendet werden. Während dieser Auslesezeit verharren die eigentlichen Datenqubits im Leerlauf. Diese Wartezeit ist gefährlich, da die Datenqubits allein durch das bloße Stillstehen Informationen verlieren. Die Forscher fanden heraus, dass sie durch die Verwendung einer schnelleren Methode zum Auslesen der Helfer-Qubits und deren sofortiges Zurücksetzen diese Wartezeit verkürzen konnten. Diese einfache Änderung reduzierte die Fehler in den Daten erheblich.

Sie testeten auch eine Technik namens „Echo“, bei der es sich um eine spezifische Sequenz von Pulsen handelt, die auf die wartenden Datenqubits angewendet wird, um das Rauschen zu neutralisieren, das sie während der Ruhephase aufnehmen. Diese Technik funktionierte sehr gut für eine Art der Datenspeicherung, indem sie die Fehlerrate um 21 Prozent senkte, hatte aber einen geringeren Effekt auf die andere Art. Durch die Kombination des schnelleren Auslesens, des sofortigen Zurücksetzens und der Echo-Pulse erstellten sie eine optimierte Routine. Als sie diese neue Routine mit der Standardmethode verglichen, sank die Fehlerrate dramatisch. Für eine Art von Speicher wurde die Fehlerrate im Median um 73 Prozent reduziert, und für die andere um etwa 30 Prozent. Dies bewies, dass kleine Änderungen in der Konstruktion und im Timing des Schaltkreises einen riesigen Einfluss auf das Endergebnis haben können.

Die Forscher testeten dann, was passiert, wenn sie das Gitter vergrößern, also die „Distanz“ des Codes erhöhen, was ein Maß dafür ist, wie viele Fehler das System tolerieren kann. In den kurzen Experimenten, die etwa ein Dutzend Runden der Fehlerprüfung liefen, funktionierte die Vergrößerung des Gitters wie erwartet: Die größeren Gitter wiesen weniger Fehler auf als die kleineren. Dies bestätigte, dass das System erfolgreich Fehler unterdrückte, während der Code wuchs. Als sie das Experiment jedoch auf einen viel längeren Zeitraum ausdehnten, der bis zu 150 Runden umfasste, begann der Vorteil des größeren Gitters zu schwinden. Die Fehlerrate hörte auf zu sinken und begann wieder zu steigen.

Dieses Langzeitverhalten enthüllte ein verborgenes Problem. Die Forscher bemerkten, dass Fehler nicht nur zufällige, isolierte Ereignisse waren. Stattdessen sahen sie Muster von Fehlern, die bestanden und über viele Runden des Experiments hinweg zunahmen und sich miteinander verbanden. Diese anhaltenden Korrelationen deuteten darauf hin, dass sich etwas im System ansammelte, vielleicht eine Art von Fehler, die die Standard-Korrekturmethoden nicht leicht beheben konnten. Es schien, dass der optimierte Schaltkreis zwar exzellent darin war, kurze Aktivitätsschübe zu handhaben, es aber schwierig hatte, den Schutz über längere Zeiträume aufrechtzuerhalten. Die Studie kommt zu dem Schluss, dass wir zwar durch die Abstimmung der Hardware und des Schaltungsdesigns signifikante Fortschritte machen können, es aber dennoch grundlegende Herausforderungen gibt, diese Systeme für die langen Zeiträume stabil zu halten, die für komplexe Berechnungen erforderlich sind. Die Arbeit unterstreicht, dass der Bau eines zuverlässigen Quantencomputers nicht nur gute Theorie erfordert, sondern auch ein tiefes Verständnis dafür, wie sich die spezifische Maschine in der realen Welt verhält – bis hin zum Timing jedes einzelnen Pulses und der Qualität jeder einzelnen Verbindung.