← Neueste Arbeiten
⚛️ Quantenphysik

Resolving and Suppressing Temporally Correlated Noise in Quantum Error Correction

Unter Verwendung eines 105-Qubit-Supraleiter-Prozessors demonstriert diese Studie die erfolgreiche Skalierung der Oberflächencode-Stabilität zur Unterdrückung zeitlich korrelierter Fehler, die durch Qubit-Erwärmung verursacht werden, wobei durch einen Walking-Stability-Schaltkreis ein Rekord-niedriges logisches Fehlerniveau erreicht und die Leistung durch adaptive Syndromextraktion optimiert wird.

Ursprünglicher Autor: Alec Eickbusch, Nick Noll, Michael Newman, Matt McEwen, Leigh S. Martin, Alexis Morvan, Gabrielle Roberts, Chunyang Ding, Volodymyr Sivak, Nathan Lacroix, Laura De Lorenzo, Felix Borjans, Yan-Cheng We
Veröffentlicht 2026-11-17
📖 5 Min. Lesezeit🧠 Tiefgang

Ursprünglicher Autor: Alec Eickbusch, Nick Noll, Michael Newman, Matt McEwen, Leigh S. Martin, Alexis Morvan, Gabrielle Roberts, Chunyang Ding, Volodymyr Sivak, Nathan Lacroix, Laura De Lorenzo, Felix Borjans, Yan-Cheng Wei, Alexandre Bourassa, Rodrigo G. Cortiñas, Emma Rosenfeld, Vladislav D. Kurilovich, Andreas Bengtsson, Kevin J. Satzinger, Dmitry Abanin, Amira Abbas, Rajeev Acharya, Laleh Aghababaie Beni, Ross Alcaraz, Sayra Alcaraz, Trond I. Andersen, Benjamin Anker, Markus Ansmann, Frank Arute, Kunal Arya, Walt Askew, Nikita Astrakhantsev, Juan Atalaya, Lamia Ateshian, Christopher Ayala, Ryan Babbush, Akim Babenko, Brian Ballard, Joseph C. Bardin, Hector Bates, Majid Bigdeli Karimi, Alexander Bilmes, Simon Bilodeau, Chris Bohn, Pablo Bonilla, Jenna Bovaird, Dylan Bowers, Leon Brill, Peter Brooks, Michael Broughton, David A. Browne, Brett Buchea, Bob B. Buckley, Chris Bunch, Tim Burger, Brian Burkett, Jamal Busnaina, Nicholas Bushnell, Jonas Bylander, Anthony Cabrera, Juan Campero, Hung-Shen Chang, Gloria Chen, Larry Chen, Silas Chen, Federico Chianese, Ben Chiaro, Liang-Ying Chih, Agnetta Y. Cleland, Bryan Cochrane, Matt Cockrell, Josh Cogan, Tom Connolly, Harold Cook, William Courtney, Alexander L. Crook, Ben Curtin, Adam Dally, Martin Damyanov, Sayan Das, Dripto M. Debroy, Sean Demura, Himadri Dey, Leon Ding, Howard A. Dobbs, Ebru Dogan, Paul Donohoe, Ilya Drozdov, Andrew Dunsworth, Rasmus Edholm, Valerie Ehimhen, Aviv Moshe Elbag, Lior Ella, Mahmoud Elzouka, David Enriquez, Catherine Erickson, Lara Faoro, Parvin Fathi, Vinicius S. Ferreira, Marcos Flores, Leslie Flores Burgos, Sam Fontes, Ebrahim Forati, Jeremiah Ford, Brooks Foxen, Masaya Fukami, Alan Wing Lun Fung, Lenny Fuste, Suhas Ganjam, Gonzalo Garcia, Christopher Garrick, Robert Gasca, Helge Gehring, Robert Geiger, Élie Genois, William Giang, Dar Gilboa, James E. Goeders, Edward C. Gonzales, Sofia Gonzalez Garcia, Mike Gore, Raja Gosula, Stijn J. de Graaf, Alejandro Grajales Dau, Dietrich Graumann, Joel Grebel, Alex Greene, Jeremy Grill, Jonathan A. Gross, Jose Guerrero, Loïck Le Guevel, Marika Gugole, Simon Gustavsson, Steve Habegger, Tanner Hadick, Ali Hadjikhani, Michael C. Hamilton, Bianca Hanly, Monica Hansen, Matthew P. Harrigan, Patrick Harrington, Sean D. Harrington, Jeanne Hartshorn, Christian Heslin, Stephen Heslin, Paula Heu, Oscar Higgott, Reno Hiltermann, Devon Hollowood, Mike Hucka, Christopher Hudspeth, Ashley Huff, William J. Huggins, Lev B. Ioffe, Aditya Jayaraman, Evan Jeffrey, Shaun Jevons, Zhang Jiang, Xiaoxuan Jin, Tomas Jochym-O'Connor, Shunnee Joseph, Chaitali Joshi, Kelsey Josund, Kelsey Judd, Pavol Juhas, Andreas Kabel, Hui Kang, Kiseo Kang, Bharath Kannan, Amir H. Karamlou, Ryan Kaufman, Kostyantyn Kechedzhi, Tanuj Khattar, Mostafa Khezri, Seon Kim, Paul V. Klimov, Can M. Knaut, Tom Ko, Bryce Kobrin, Fedor Kostritsa, John Mark Kreikebaum, Ryuho Kudo, Ben Kueffler, Vitali Kutsko, Dylan Lane, Tiano Lange-Dei, Brandon W. Langley, Pavel Laptev, Kim-Ming Lau, Emma Leavell, Justin Ledford, Joy Lee, Kenny Lee, Nathalie de Leon, Brian J. Lester, Wendy Leung, Lily Li, Ming Li, Wing Yan Li, Alexander T. Lill, Mike Lindmark, William P. Livingston, Matthew T. Lloyd, Jing Lu, Erik Lucero, Daniel Lundahl, Aaron Lunt, Donald Macaskill, Sid Madhuk, Brian Maertz, Aniket Maiti, Ashley Maloney, Salvatore Mandrà, Bhavik Markana, Orion Martin, Eric Mascot, Paul Masih Das, Anselme Massimino, Melvin Mathews, Cameron Maxfield, Jarrod R. McClean, Seneca Meeks, Anthony Megrant, Tim Menke, Zlatko K. Minev, Reza Molavi, Sebastian Molina, Shirin Montazeri, William Morong, Wojtek Mruczkiewicz, Aki Nakamura, Konstantin Nesterov, Roselle Ngaloy, Anthony Nguyen, Murray Nguyen, Chia-Hung Ni, Murphy Yuezhen Niu, Sergey Novikov, Ricky Oliver, William D. Oliver, Christopher Olson, Raymond Orosco, Amr Osman, Kristoffer Ottosson, Alice Pagano, Agustin Di Paolo, Seong Hyeon Park, Manan Patel, Sherman Peek, David Peterson, Alex Pizzuto, Thomas Plumb-Reyes, Elias Portoles, Rebecca Potter, Orion Pritchard, Sam Probst, Michael Qian, Chris Quintana, Matthew Rakher, Ganesh Ramachandran, Arpit Ranadive, Armin Razavi, Matthew J. Reagor, Ants Remm, Rachel Resnick, Andrew Reynolds, David M. Rhodes, Daniel Riley, Roberto Rodriguez, Emma Ropes, Lucia B. De Rose, Eliott Rosenberg, Dario Rosenstock, Elizabeth Rossi, Pedram Roushan, David A. Rower, Robert Salazar, Kannan Sankaragomathi, Murat Can Sarihan, Max Schaefer, Sebastian Schroeder, Henry F. Schurkus, Aria Shahingohar, Michael J. Shearn, Aaron Shorter, Vladimir Shvarts, Mauricio Sifontes, Spencer Small, W. Clarke Smith, David A. Sobel, Barrett Spells, Sofia Springer, Praveen Sriram, George Sterling, Scott Stonemeyer, John Su, Jordan Suchard, Philippe Suchsland, Youngkyu Sung, Aaron Szasz, Alexander Sztein, Tomoyuki Tanaka, Madeline Taylor, Jothi Priyanka Thiruraman, Douglas Thor, Brandur Thorgrimsson, Dogan Timucin, Eifu Tomita, Alfredo Torres, M. Mert Torunbalci, Edoardo Trabaldo, Hao Tran, Takahiro Tsunoda, Justin Vargas, Gopinath Vasalamarri, Sergey Vdovichev, Guifre Vidal, Benjamin Villalonga, Jeremy Volkman, Meghan Voorhees, Steven Waltman, Jonathan Waltz, Danni Wang, Shannon X. Wang, Brayden Ware, James D. Watson, Yonghua Wei, Travis Weidel, Tom Westerhout, Theodore White, Dominik Wild, Kristi Wong, Bryan W. K. Woo, Christopher J. Wood, Maddy Woodson, Cheng Xing, Z. Jamie Yao, Ping Yeh, Bicheng Ying, Juhwan Yoo, Noureldin Yosri, Elliot Young, Grayson Young, Adam Zalcman, Ran Zhang, Yaxing Zhang, Yiqing Zhou, Ningfeng Zhu, Nicholas Zobrist, Zhenjie Zou, Alexander N. Korotkov, Sergio Boixo, Hartmut Neven, Kevin C. Miao, Alex Opremcak, Zijun Chen, Cody Jones, Julian Kelly, Dvir Kafri, Charles Neill, Craig Gidney, Yu Chen

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

Um einen Computer zu bauen, der Probleme lösen kann, die jenseits der Reichweite heutiger Maschinen liegen, versuchen Wissenschaftler, einen Quantencomputer zu erschaffen. Diese Geräte nutzen die seltsamen Regeln der Quantenphysik, um Informationen zu verarbeiten, aber sie sind unglaublich fragil. Die geringste Störung durch Hitze, Vibration oder Strahlung kann dazu führen, dass die Informationen durcheinandergebracht werden und verschwinden. Um diese Maschinen nützlich zu machen, müssen Forscher ein System bauen, das in der Lage ist, Fehler automatisch zu finden und zu beheben, während sie auftreten – ein Prozess, der als Quantenfehlerkorrektur bekannt ist.

Die Standardmethode, um zu testen, ob ein solches System funktioniert, besteht darin, ein „Gedächtnis“-Experiment durchzuführen. In diesem Test speichern Wissenschaftler ein Stück Information und überprüfen es wiederholt auf Fehler, in der Hoffnung zu sehen, ob der Computer die Daten über einen langen Zeitraum sicher aufbewahren kann. Dieser Ansatz prüft jedoch nur eine Art von Fehler: Fehler, die über viele Teile der Maschine hinweg im selben Moment auftreten. Reale Quantencomputer müssen jedoch mehr als nur sich erinnern können; sie müssen komplexe Berechnungen durchführen. Diese Berechnungen sind empfindlich gegenüber einer anderen Art von Problemen: Fehlern, die an derselben Stelle immer wieder auftreten, während die Zeit vergeht. Wenn ein Computer nicht in der Lage ist, mit Fehlern umzugehen, die in der Zeit verharren, wird er bei genau den Aufgaben scheitern, für die er gebaut wurde.

Ein Team von Forschern bei Google Quantum AI und ihren Kooperationspartnern setzte sich zum Ziel, dieses spezifische Problem zu verstehen und zu lösen. Sie verwendeten einen neuen, großskaligen Quantenprozessor namens Willow, der 105 supraleitende Qubits enthält – die grundlegenden Einheiten der Quanteninformation. Anstatt nur das Gedächtnis zu testen, führten sie ein „Stabilitäts“-Experiment durch. Dieser Test ist darauf ausgelegt, empfindlich auf Fehler zu reagieren, die über die Zeit persistieren, und fungiert somit als Spiegelbild des Standard-Gedächtnistests. Indem sie dieses Experiment von kleinen Qubit-Gittern auf ein großes 7-mal-7-Gitter skalierten, konnten sie beobachten, wie gut das System diese zeitbasierten Fehler unterdrückt, während die Maschine größer wurde.

Die Forscher stellten fest, dass das System mit zunehmender Größe des Gitters tatsächlich besser darin wurde, Fehler zu unterdrücken, allerdings nur bis zu einem gewissen Punkt. Zu Beginn sank die Fehlerrate wie erwartet rapide ab. Nach etwa zehn Zyklen der Überprüfung stieß die Verbesserung jedoch an eine Wand. Die Fehlerrate hörte auf zu sinken und begann sich zu stabilisieren – ein Phänomen, das das Team als „Knie“ in den Daten identifizierte. Durch den Aufbau eines detaillierten Modells des Verhaltens der Maschine entdeckten sie den Übeltäter: einen spezifischen Quantenzustand, in den die Daten-Qubits versehentlich aufheizten.

In der Quantenwelt existiert ein Qubit normalerweise in einem von zwei Zuständen, ähnlich wie eine Münze, die entweder Kopf oder Zahl zeigt. Diese physikalischen Qubits können jedoch auch in höhere Energiezustände gleiten, vergleichbar mit einer Münze, die auf der Kante rotiert oder sogar in einen dritten, verborgenen Zustand kippt. Die Forscher fanden heraus, dass ihre Daten-Qubits gelegentlich in einen dritten angeregten Zustand aufheizten, den sie als ∣3⟩|3\rangle-Zustand bezeichnen. Sobald ein Qubit in diesem Zustand feststeckt, korrumpiert es die Messungen seiner Nachbarn für viele aufeinanderfolgende Zyklen und erzeugt so eine Kette von Fehlern, die das Standard-Korrektursystem nicht ohne Weiteres beheben kann. Das Modell des Teams, welches die Physik der Bewegung und des Zerfalls dieser höheren Zustände beinhaltete, passte perfekt zu den experimentellen Daten, ohne dass jegliche anpassbare Parameter benötigt wurden, was bestätigte, dass diese Erwärmung die Hauptursache für die Fehlerschwelle war.

Um dies zu lösen, entwickelten die Forscher eine neue Methode namens „Walking Stability Circuit“ (ein wandernder Stabilitätsschaltkreis). In einem Standard-Schaltkreis bleiben die Rollen der Qubits fixiert: Einige halten die Daten, während andere als Sensoren dienen, um Fehler zu prüfen. Im „Walking“-Schaltkreis tauschen die Rollen ständig die Plätze. Die Daten-Qubits werden zu Sensoren, und die Sensoren werden zu Daten, und dies geschieht alle paar Zyklen. Entscheidend ist, dass ein Qubit, wenn es als Sensor fungiert, so zurückgesetzt wird, dass es nicht nur die normalen Fehler, sondern auch diese unerwünschten höheren Energiezustände bereinigt. Durch das periodische Durchmischen der Qubits und das Zurücksetzen war das Team in der Lage, die feststeckenden Teilchen auszuspülen, bevor sie eine Kaskade von Fehlern verursachen konnten.

Die Ergebnisse dieses neuen Ansatzes waren dramatisch. Während der Standard-Schaltkreis an eine Wand stieß, an der die Fehlerverbesserung aufhörte, konnte der „Walking“-Schaltkreis die Fehler weiter unterdrücken und erreichte eine logische Fehlerwahrscheinlichkeit von weniger als 3,20×10−83{,}20 \times 10^{-8} nach 60 Zyklen. Dies ist zwei Größenordnungen besser als die Standardmethode zum gleichen Zeitpunkt. Das Einzige, was den „Walking“-Schaltkreis daran hinderte, noch besser zu werden, war ein seltener, zufälliger Ausbruch ionisierender Strahlung aus der Umgebung – eine fundamentale Grenze der Hardware und kein Fehler im Design.

Die Forscher untersuchten auch einen Weg, den Prozess effizienter zu gestalten, indem sie die „Zuversicht“ des Computers nutzten, um zu entscheiden, wann gestoppt werden soll. In einem typischen Experiment läuft die Maschine für eine feste Anzahl von Zyklen. Das Team fand jedoch heraus, dass sie durch die Analyse der Daten in Echtzeit feststellen konnten, wann das System sicher genug war, dass keine Fehler mehr vorlagen. Wenn das System „sauber“ war, konnten sie früher aufhören; wenn es durch einen Rauschstoß verwirrt war, konnten sie länger warten. Diese adaptive Strategie reduzierte die Gesamtlaufzeit des Experiments um 34 % und senkte die Gesamtrate der Fehler um 38 %.

Diese Arbeit zeigt, dass es nicht ausreicht, lediglich das Gedächtnis eines Quantencomputers zu testen, um zu garantieren, dass er für komplexe Berechnungen funktionieren wird. Das Team hat aufgezeigt, dass zeitkorrelierte Fehler, verursacht durch Qubits, die in höheren Energiezuständen feststecken, eine große Hürde darstellen, die adressiert werden muss. Durch die Identifizierung der spezifischen physikalischen Ursache dieser Fehler und die Erfindung eines Schaltkreises, der diese aktiv entfernt, haben sie einen bedeutenden Schritt in Richtung des Baus einer Maschine gemacht, die lange, zuverlässige Quantenalgorithmen ausführen kann. Die Studie bestätigt, dass mit den richtigen Werkzeugen auch diese hartnäckigen, zeitbasierten Fehler gezähmt werden können, was den Weg für größere und leistungsfähigere Quantenprozessoren ebnet.

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 →