Real-time single-shot qubit-state discrimination on FPGA with a parameter-efficient Trace–IQ fusion network

Im Wettlauf um den Bau eines praktischen Quantencomputers ist der fragilste Teil der Maschine nicht der Prozessor selbst, sondern der Moment, in dem wir versuchen, ihm zuzuhören. Supraleitende Qubits, die winzigen Schaltkreise, die als Gehirn dieser Computer fungieren, existen in einem Zustand delikater Superposition und halten Informationen bereit, die verschwinden, wenn sie zu stark gestört werden. Um zu lesen, was ein Qubit gerade tut, strahlen Wissenschaftler ein Mikrowellensignal auf es ab und lauschen auf ein schwaches Echo. Dieses Echo kommt als Strom von Datenpunkten an, ein verrauschtes Flüstern, das sich im Laufe der Zeit verändert. Die Herausforderung besteht darin, in einem Bruchteil einer Sekunde zu entscheiden, ob sich das Qubit in seinem Grundzustand oder seinem angeregten Zustand befindet. Diese Entscheidung muss sofort erfolgen, solange das Qubit noch „am Leben“ ist, damit der Computer etwaige Fehler korrigieren kann, bevor sie sich ausbreiten. Wenn der Zuhörprozess zu langsam oder zu ungeschickt ist, geht die Information verloren und die Berechnung schlägt fehl. Jahrelang war die Standardmethode zum Zuhören eine einfache, starre Methode, die das Signal als statische Momentaufnahme behandelt und die subtilen Veränderungen ignoriert, die sich während des Verlaufs des Signals entfalten.

Ein Forscher hat nun einen intelligenteren Weg des Zuhörens demonstriert, der direkt auf der Hardware läuft, die den Quantencomputer steuert. Er entwickelte eine neue Methode zum Auslesen dieser Signale, die nicht nur genauer, sondern auch unglaublich effizient ist und weit weniger Rechenleistung erfordert als bisherige Versuche. Durch das Training eines kleinen, spezialisierten Computerprogramms, das die spezifische Form der Entwicklung des Signals erkennt, erreichte er eine Genauigkeit, die den langjährigen Industriestandard übertrifft. Dieser Durchbruch ist signifikant, da er beweist, dass komplexe Entscheidungsfindung in Echtzeit direkt neben dem Quantenprozessor stattfinden kann, ohne die begrenzten Ressourcen des Systems zu überlasten. Der Forscher zeigte, dass er durch die Konzentration auf die spezifische Art und Weise, wie sich das Signal über die Zeit verändert, anstatt nur seinen Durchschnittswert zu betrachten, zwischen den beiden Zuständen mit einer Fidelität von 0,9962 unterscheiden konnte – eine Zahl, die die Wahrscheinlichkeit der Korrektheit darstellt.

Der Kern des Problems liegt in den Unvollkommenheiten der physischen Welt. Wenn ein Qubit gemessen wird, bleibt es nicht immer in dem Zustand, in dem es begonnen hat. Es kann zerfallen, Energie verlieren und seine Identität mitten innerhalb des Messfensters ändern. Es kann auch in einen dritten, unerwünschten Zustand „lecken“, den die herkömmlichen Lesemethoden nicht erwarten. Zudem driftet die Ausrüstung selbst im Laufe der Zeit leicht ab, was die Position des Signals verschiebt. Die traditionelle Methode, bekannt als Matched Filter (gepaarter Filter), funktioniert gut, wenn das Signal eine perfekte, statische Wolke aus Datenpunkten ist. Sie versagt jedoch, wenn das Signal ein bewegliches Ziel ist, das seine Form oder Position während der Messung ändert. Sie mittelt im Wesentlichen das gesamte Signal zusammen und wirft dabei die entscheidenden Informationen darüber weg, wie sich das Signal Moment für Moment verändert hat. Diese Einschränkung bedeutete, dass ein erheblicher Teil der potenziellen Genauigkeit ungenutzt blieb.

Um dies zu lösen, baute der Forscher eine Simulation, die das reale Rauschen und die Unvollkommenheiten einer Quantenmessung nachahmt, einschließlich des Zerfalls und des Drifts. Er nutzte diese Simulation, um einen massiven Datensatz von vierzigtausend einzelnen Messereignissen zu generieren. Er testete dann vier traditionelle mathematische Methoden gegen einen neuen Ansatz basierend auf neuronalen Netzen – also Computersystemen, die darauf ausgelegt sind, Muster aus Daten zu lernen. Die traditionellen Methoden, einschließlich des Standard-Matched-Filters und einer einfachen Integrationsmethode, hatten Schwierigkeiten, mit der chaotischen Realität der Simulation Schritt zu halten. Sie erreichten Fidelitäten im Bereich von etwa 0,97 bis 0,98, was bedeutet, dass sie in etwa zwei bis drei Prozent der Fälle Fehler machten.

Der Forscher führte daraufhin eine neue Architektur ein, die er Trace–IQ Fusion Network nennt. Dieses System ist mit zwei unterschiedlichen Pfaden konzipiert, die zusammenarbeiten. Ein Pfad betrachtet die gesamte Historie des Signals und analysiert, wie sich die Form der Welle über die Zeit verändert, um jene Zerfälle und Lecks während der Messung zu erfassen. Der andere Pfad berechnet einfach die durchschnittliche Position des Signals, auf die sich die alten Methoden stützten. Durch die Fusion dieser beiden Ansichten erhält das Netzwerk das Beste aus beiden Welten: Es kennt die allgemeine Position, versteht aber auch die Geschichte, wie es dorthin gelangt ist. Bemerkenswerterweise erreichte dieses neue Netzwerk eine Fidelität von 0,9962 und übertraf damit den besten traditionellen Ansatz deutlich. Es machte weniger Fehler als der Standardansatz und identifizierte den Zustand in fast jedem einzelnen Fall korrekt.

Was diese Entdeckung besonders kraftvoll macht, ist nicht nur die Genauigkeit, sondern auch die extreme Effizienz des Designs. Das neue Netzwerk benötigte nur 686 einstellbare Zahlen, oder Parameter, um die Aufgabe zu lernen. Im Gegensatz dazu benötigte ein Standard-Neuronales-Netzwerk, das eine ähnliche Genauigkeit erreichte, über siebentausend Parameter. Das bedeutet, dass das neue System etwa zehnmal effizienter ist und nur einen Bruchteil des Speichers und der Rechenleistung beansprucht. Diese Effizienz ist entscheidend, da die Entscheidung auf einem Field-Programmable Gate Array (FPGA) getroffen werden muss – einem Typ von Chip, der direkt neben dem Quantenprozessor sitzt und nur sehr begrenzten Platz für zusätzliche Software hat. Der Forscher zeigte, dass sein Design sogar noch weiter verkleinert werden konnte und mit sehr kleinen Zahlen effektiv arbeitete, was es ermöglicht, auf der Hardware zu laufen, ohne den Rest des Systems zu verlangsamen.

Um sicherzustellen, dass dieses Design tatsächlich in echte Hardware eingebaut werden konnte, musste der Forscher eine spezifische technische Hürde überwinden. Beim Übersetzen des Software-Designs in die Sprache, die Hardware-Chips verstehen, verursachte ein häufiger Schritt namens „Pooling“, der Daten vereinfacht, oft eine fehlerhafte Skalierung der Zahlen, was die Logik des Netzwerks unterbrach. Der Forscher löste dies, indem er den Standard-Pooling-Schritt durch eine feste, unveränderliche Berechnung ersetzte, die dieselbe Aufgabe erfüllte, sich aber in der Hardware-Übersetzung korrekt verhielt. Diese kleine, aber kluge Anpassung ermöglichte es, das gesamte System in ein funktionierendes Chip-Design zu synthetisieren, ohne seine gelernte Intelligenz zu verlieren. Er verifizierte dies durch den Durchlauf einer digitalen Simulation des Chips, die das ursprüngliche Softwaremodell mit nahezu perfekter Präzision nachbildete, was bestätigte, dass das Design bei der Implementierung wie beabsichtigt funktionieren würde.

Die Ergebnisse legen nahe, dass die Zukunft des Quantencomputings in diesen kompakten, intelligenten Zuhörern liegt. Indem Wissenschaftler von starren „Einheitslösungen“ abrücken und Systeme nutzen, die sich an die chaotische, sich verändernde Natur von Quantensignalen anpassen können, können sie mehr Informationen aus ihren Maschinen extrahieren. Das neue Netzwerk bewies, dass es möglich ist, hochpräzise Messungen in Echtzeit durchzuführen, selbst wenn die Qubits zerfallen oder driften. Obwohl die Studie mithilfe einer hochrealistischen Simulation und nicht an einem physischen Quantencomputer durchgeführt wurde, liefert sie einen klaren Fahrplan für die nächste Generation von Steuerungssystemen. Die Fähigkeit, einen solch hochentwickelten Diskriminator auf einem kleinen Chip laufen zu lassen, bedeutet, dass Quantencomputer nun schneller und zuverlässiger auf ihre eigenen Fehler reagieren können, was den Traum von einer stabilen, groß angelegten Quantenmaschine ein Stück näher rückt.