← Neueste Arbeiten
⚛️ Quantenphysik

TCBP-JOBS: GPU-Accelerated Quantum Error Correction Decoding and Noise Learning with Near-Optimal Accuracy

Dieses Paper stellt TCBP-JOBS vor, ein GPU-beschleunigtes Framework, das Trajektorien-kalibrierte Belief Propagation und jittered OSD Beam Search kombiniert, um eine nahezu optimale Genauigkeit der Quantenfehlerkorrektur-Dekodierung bei massiven Geschwindigkeitssteigerungen gegenüber bestehenden Methoden zu erreichen, was sowohl den Echtzeitbetrieb als auch effiziente groß angelegte Simulationen ermöglicht.

Ursprünglicher Autor: Ben Howe, Satvik Maurya, Jan Olle, Ivan Basov, Muyuan Li, Justin G. Lietz, Kevin Young, Krysta M. Svore

Veröffentlicht 2026-11-17
📖 7 Min. Lesezeit🧠 Tiefgang

Ursprünglicher Autor: Ben Howe, Satvik Maurya, Jan Olle, Ivan Basov, Muyuan Li, Justin G. Lietz, Kevin Young, Krysta M. Svore

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Quantencomputer versprechen, Probleme zu lösen, die für heutige Maschinen unmöglich sind, vom Design neuer Medikamente bis hin zum Knacken komplexer Codes. Die winzigen Teilchen jedoch, die in diesen Maschinen Informationen speichern, sind unglaublich fragil. Ein einzabe Windstoß aus Hitze oder eine herumstreuende elektromagnetische Welle kann ein Datenbit umkippen lassen, was die gesamte Berechnung kollabieren lässt. Um dies zu verhindern, verwenden Wissenschaftler eine Methode namens Quantenfehlerkorrektur. Sie verteilen ein einzelnes Stück Information auf viele physikalische Teilchen und schaffen so ein Sicherheitsnetz. Indem sie ständig die Beziehungen zwischen diesen Teilchen überprüfen, kann das System feststellen, wann ein Fehler aufgetreten ist und ihn beheben, ohne die Daten direkt anzusehen, was sie zerstören würde.

Damit dieses Sicherheitsnetz funktioniert, muss ein klassischer Computer als Schiedsrichter fungieren. Er beobachtet die Ergebnisse der Überprüfungen, findet heraus, was schiefgelaufen ist, und sagt der Quantenmaschine, wie sie sich selbst korrigieren kann. Dieser Schiedsrichter wird Decoder genannt. Die Herausforderung besteht darin, dass der Schiedsrichter sowohl unglaublich genau als auch unglaublich schnell sein muss. Wenn er zu langsam ist, muss die Quantenmaschine warten, und die Daten könnten verrotten, bevor die Korrektur eintrifft. Wenn er zu ungenau ist, könnte er die falsche Korrektur anwenden und den Fehler verschlimmern. Jahrelang haben Forscher darum gerungen, einen Decoder zu finden, der beides leisten kann, insbesondere für die neuesten, effizientesten Arten von Quantencodes.

Ein Forschungsteam bei NVIDIA hat nun einen neuen Ansatz vorgestellt, der dieses Dilemma löst. Sie entwickelten ein System namens TCBP-JOBS, das zwei clevere Techniken kombiniert, um Quantenfehler mit nahezu perfekter Genauigkeit zu dekodieren und dabei tausendmal schneller zu laufen als bisherige Methoden. Ihre Arbeit legt nahe, dass wir nun Quantencomputer in einem Ausmaß simulieren und testen können, das zuvor unmöglich war, und dass diese Systeme bald bereit sein könnten, in Echtzeit auf tatsächlicher Quantenhardware zu laufen.

Der Kern des Problems liegt darin, wie der Decoder den Fehler errät. Während die Quantenmaschine läuft, erzeugt sie ein Muster von Signalen, das Syndrom genannt wird. Die Aufgabe des Decoders ist es, sich dieses Muster anzusehen und zu erraten, welche spezifischen Teilchen einen Fehler gemacht haben. In der Vergangenheit mussten die genauesten Decoder durch eine riesige Anzahl von Möglichkeiten suchen, so als würde man jede Kombination an einem riesigen Schloss ausprobieren. Das dauerte so lange, dass sie nicht während des Laufs des Quantencomputers verwendet werden konnten. Schnellere Decoder existierten, aber sie raten oft falsch, insbesondere bei den neuen, hocheffizienten Codes, die Forscher dringend verwenden möchten.

Das NVIDIA-Team stellte fest, dass die schnellen Decoder wertvolle Informationen wegwarfen. Sie nutzen eine Methode namens Belief Propagation, die ihren Schätzwert darüber, wo der Fehler liegt, iterativ aktualisiert. In der Vergangenheit behielten diese Systeme nur den endgültigen Schätzwert und verworfen den Weg, den sie dorthin genommen hatten. Die Forscher bemerkten, dass die gesamte Reise der Vermutung – die Art und Weise, wie das Vertrauen in jedes Teilchen über die Zeit stieg und fiel – eine verborgene Landkarte zur richtigen Antwort enthielt. Sie bauten ein kleines Modell der künstlichen Intelligenz, um diese Reise zu lesen. Anstatt nur das Endergebnis zu betrachten, analysiert das Modell die gesamte Historie der Vermutung, um eine kalibrierte Wahrscheinlichkeit zu erzeugen: eine präzise Zahl, die angibt, wie wahrscheinlich es ist, dass ein spezifisches Teilchen einen Fehler gemacht hat.

Mit diesen besseren Wahrscheinlichkeiten in der Hand führte das Team einen zweiten Schritt ein. Sie nahmen den schnellen Decoder und gaben ihm eine neue Strategie. Anstatt nur einem einzigen Pfad zur Lösung zu folgen, führt das System nun viele Suchen parallel aus, wobei jede Suche mit einer leicht unterschiedlichen Vermutung basierend auf den Wahrscheinlichkeiten beginnt. Stellen Sie sich ein Team von Entdeckern vor, die einen Wald nach einem vermissten Wanderer absuchen. Anstatt eine Person auf einen einzigen Pfad zu schicken, schickt man eine Gruppe aus, von der jeder eine etwas andere Route basierend auf dem Gelände nimmt. Sie alle arbeiten gleichzeitig, und das System wählt die beste Lösung aus, die von ihnen gefunden wurde. Da dies auf einem leistungsstarken Grafikprozessor geschieht, laufen die Suchen simultan ab, was den Prozess unglaublich schnell macht.

Als die Forscher dieses neue System testeten, waren die Ergebnisse beeindruckend. Sie führten Simulationen auf einer Vielzahl von Quantencodes durch, einschließlich der Standard-Surface-Codes und neuerer, komplexerer Designs. In fast allen Fällen war ihr neuer Decoder genauso genau wie die langsamen, rechenintensiven Decoder, die zuvor als Goldstandard galten. Bei den größten Codes war er sogar viereinhalbmal besser darin, den korrekten Fehler zu finden. Gleichzeitig war er tausendfach schneller. In einem Test wurde eine Aufgabe, die ein Standard-Server zwölf Wochen lang gedauert hätte, von ihrem System in nur 45 Minuten abgeschlossen.

Diese Geschwindigkeit öffnet die Tür zum Echtzeitbetrieb. Damit ein Quantencomputer nützlich ist, muss der Decoder schnell genug reagieren, um mit den Operationen der Maschine Schritt zu halten. Die Forscher zeigten, dass ihr System Fehler in wenigen Millisekunden dekodieren kann, was schnell genug für bestimmte Arten von Quantenprozessoren ist, die auf einer etwas langsameren Zeitskala arbeiten. Dies bedeutet, dass das System theoretisch eingesetzt werden könnte, um einen Quantencomputer jetzt bereits zu betreiben, indem Fehler korrigiert werden, während sie auftreten, ohne die Maschine zu verlangsamen.

Das neue System bietet auch eine Möglichkeit, die Quantenmaschine selbst kennenzulernen. Da der Decoder sehr gut darin ist, die Wahrscheinlichkeit von Fehlern abzuschätzen, kann er verwendet werden, um herauszufinden, wie verrauscht die Maschine ist, selbst ohne die genauen Einstellungen im Voraus zu kennen. Die Forscher zeigten, dass das System die Fehlerraten eines Quantengeräts in nur wenigen Minuten lernen kann, indem es lediglich die Daten nutzt, die die Maschine während des normalen Betriebs produziert. Dies ermöglicht es dem Decoder, sich an die Maschine anzupassen, während diese sich verändert, wodurch die Fehlerkorrektur ohne ständige manuelle Abstimmung präzise bleibt.

Darüber hinaus bietet das System einen Konfidenzwert für jede Entscheidung, die es trifft. Es kann dem Benutzer mitteilen, wie knapp die Entscheidung war. Wenn das System unsicher ist, kann es diesen spezifischen Versuch als unzuverlässig kennzeichnen. Dies ermöglicht es Forschern, nur die zweifelhaften Ergebnisse zu verwerfen und die guten zu behalten, eine Technik, die die Qualität der endgültigen Daten erheblich verbessert. In Tests, die die Erzeugung spezieller Quantenzustände für fortgeschrittene Berechnungen beinhalteten, verbesserte diese Fähigkeit, schlechte Ergebnisse herauszufiltern, die Erfolgsrate des Prozesses um mehr als das Vierfache.

Die Forscher stellten jedoch eine Grenze für ihre Methode fest. Als sie die physikalischen Fehlerraten extrem niedrig ansetzten, weit unter das, was heutige Maschinen erreichen können, war das neue System etwas weniger genau als die sehr langsamen, erschöpfenden Decoder. In diesen seltenen Fällen übersah das neue System einige spezifische Arten komplexer Fehler, die die ältere Methode erfasste. Für die Fehlerraten, die für aktuelle und nahe Zukunft kommende Quantencomputer relevant sind, ist das neue System jedoch weitaus überlegen, da es hohe Genauigkeit mit der für den realen Einsatz erforderlichen Geschwindigkeit kombiniert.

Indem es möglich gemacht wird, Millionen von Quantenoperationen in einem Bruchteil der Zeit zu simulieren, die es früher gedauert hätte, beschleunigt diese Arbeit das gesamte Feld. Forscher können nun neue Designs und Architekturen viel schneller testen und so eine breitere Palette von Möglichkeiten untersuchen, um den besten Weg zu finden. Das System bietet einen praktischen Rahmen für den Betrieb der Quantenfehlerkorrektur auf tatsächlicher Hardware und bringt den Traum eines fehlertoleranten Quantencomputers einen Schritt näher zur Realität. Die Fähigkeit, Fehler genau und sofort zu dekodieren, ist kein bloßes theoretisches Ziel mehr; es ist ein Werkzeug, das bereit ist, eingesetzt zu werden.

Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?

Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.

Digest testen →