Quantencomputer versprechen, Probleme zu lösen, für die heutige Maschinen Tausende von Jahren benötigen würden, aber sie sind unglaublich zerbrechlich. Die winzigen Teilchen, die ihre Informationen speichern, sogenannte Qubits, werden leicht durch Hitze, Vibration oder sogar streuende elektromagnetische Wellen gestört. Wenn ein Qubit gestört wird, macht es einen Fehler, und wenn sich diese Fehler häufen, bricht die gesamte Berechnung zusammen. Um einen nützlichen Quantencomputer zu bauen, müssen Wissenschaftler ein System entwickeln, das in der Lage ist, diese Fehler zu finden und zu beheben, während sie auftreten – ein Prozess, der als Quantenfehlerkorrektur bekannt ist. Die populärste Methode hierfür nutzt ein Gitter aus Qubits, bei dem das System ständig seine eigene Gesundheit überprüft. Diese Überprüfungen erzeugen einen Datenstrom namens Syndrom, der wie eine Karte fungiert, die anzeigt, wo Fehler aufgetreten sind. Die Herausforderung besteht darin, dass ein Computer diese Karte lesen und entscheiden muss, wie er die Fehler behebt, und zwar schneller, als neue Fehler auftreten können – ein Wettlauf gegen die Zeit, der enorme Geschwindigkeit und Präzision erfordert.

Jahrelang waren die besten Werkzeuge zum Lesen dieser Fehlerkarten klassische Algorithmen, die das gesamte Gitter als einen massiven Datenblock behandeln und jedes einzelne Quadrat prüfen, unabhängig davon, ob etwas falsch ist oder nicht. Dieser Ansatz ist zuverlässig, aber langsam, da er Zeit mit der Verarbeitung leerer Räume verschwendet. In einer neuen Studie haben Forscher der University of California, Irvine, eine andere Denkweise eingeführt. Sie entwickelten einen Decoder, der die leeren Teile des Gitters ignoriert und sich nur auf die wenigen Stellen konzentriert, an denen tatsächlich ein Fehler aufgetreten ist. Indem sie die Fehlerkarte nicht als vollständiges Bild, sondern als eine spärliche Liste aktiver Ereignisse behandelten, schufen sie ein System, das drastisch schneller und ebenso genau ist wie die besten bestehenden Methoden.

Die Forscher unter der Leitung von Samira Sayedsalehi entwickelten, was sie den „Sparse Mamba Decoder“ nennen. Um zu verstehen, warum dies ein Durchbruch ist, muss man zuerst die Natur der Fehler verstehen. In einem Quantencomputer, der ein typisches Experiment durchführt, sind Fehler selten. Von tausenden möglichen Stellen, an denen ein Fehler registriert werden könnte, zeigen normalerweise nur ein winziger Bruchteil, oft weniger als fünf Prozent, tatsächlich ein Problem an. Der alte Weg der Dekodierung war wie ein Sicherheitsmann, der durch jedes einzelne Zimmer eines riesigen, leeren Hotels geht, um nach Eindringlingen zu suchen, obwohl er wusste, dass Eindringlinge nur in ein paar ganz bestimmten Zimmern auftauchen. Der neue Decoder überspringt die leeren Zimmer komplett. Er wartet darauf, dass der Alarm losgeht, identifiziert das spezifische Zimmer, aus dem das Geräusch kam, und analysiert dann nur dieses Zimmer und seine unmittelbaren Nachbarn.

Dieser Strategiewechsel ermöglichte es dem Team, eine leistungsstarke neue Art von KI-Architektur zu nutzen, ein sogenanntes State-Space-Modell, speziell eine Version namens Mamba. Dieses Modell ist darauf ausgelegt, Sequenzen von Informationen effizient zu verarbeiten. Anstatt das gesamte Gittersystem in das System einzuspeisen, extrahierten die Forscher nur die aktiven Fehlersignale, die sie „Defekte“ nennen. Sie hüllten jeden Defekt dann in eine detaillierte Beschreibung ein, die seinen Standort, die Art des Fehlers und seine Beziehung zu benachbarten Fehlern enthielt. Dies schuf eine kurze, variabel lange Liste von Ereignissen anstelle eines riesigen, statischen Datenblocks. Das KI-Modell las diese Liste dann, um vorherzusagen, ob der Computer einen logischen Fehler erlitten hatte – ein Fehler, der nicht korrigierbar ist und die Berechnung ruiniert.

Die Ergebnisse dieses Ansatzes waren beeindruckend. Bei Tests mit simulierten Daten, die das Verhalten echter Quantenhardware nachahmen, reduzierte der neue Decoder die Rate der unkorrigierbaren Fehler um bis zu 49 Prozent im Vergleich zur im Fachgebiet üblichen Standardmethode. Wichtiger noch: Er tat dies mit unglaublicher Geschwindigkeit. In Tests lief das neue System zwischen 95- und 467-mal schneller als der derzeit führende nahezu perfekte Decoder, bekannt als Tesseract. Während der Tesseract-Decoder Millisekunden benötigte, um eine einzige Fehlerkarte zu verarbeiten, schloss das neue System die Aufgabe in Mikrosekunden ab. Diese Geschwindigkeit ist entscheidend, da Quantencomputer auf Zyklen operieren, die nur etwa eine Mikrosekunde dauern; wenn der Decoder zu langsam ist, kann der Computer mit seinen eigenen Fehlern nicht Schritt halten.

Die Forscher testeten ihr System auch mit echten Daten, die von Googles Sycamore-Quantenprozessor gesammelt wurden. In diesen Experimenten erreichte der neue Decoder die Leistung eines früheren, komplexeren neuronalen Netzwerks, das das vollständige Gitter verarbeitete, oder übertraf diese sogar leicht. Dies bewies, dass die neue Methode nicht an Genauigkeit verlor, indem sie den leeren Raum ignorierte; sie fand lediglich einen effizienteren Weg, das Signal zu finden. Das System erreichte diese hohe Leistung auf handelsüblicher Grafikhardware, ohne die spezialisierte, teure Supercomputing-Hardware zu benötigen, die andere fortschrittliche Decoder erfordern.

Einer der bedeutendsten Befunde war, wie das System mit der Größe des Quantencomputers umging. Wenn das Gitter der Qubits größer wird, um komplexere Berechnungen durchzuführen, explodiert normalerweise die Menge der zu verarbeitenden Daten, was das Dekodieren immer langsamer macht. Der neue Decoder behielt jedoch eine nahezu konstante Geschwindigkeit bei, unabhängig von der Größe des Gitters. Während andere Methoden mit wachsendem Gitter hunderte Male langsamer wurden, verlangsamte sich dieses System nur um einen kleinen Faktor. Dies deutet darauf hin, dass dieser defektfokussierte Ansatz, wenn Quantencomputer auf die für den praktischen Einsatz benötigten massiven Größen skalieren, nicht nur schneller, sondern essenziell sein wird.

Der Erfolg des Sparse Mamba Decoders beruht auf einer klugen Art, die Fehler zu beschreiben. Anstatt nur zu wissen, wo ein Fehler aufgetreten ist, erhielt das System eine reichhaltige Menge an Hinweisen für jedes Fehlerereignis. Es wurde über die exakten Koordinaten des Fehlers informiert, ob es sich um einen Bit-Flip oder einen Phase-Flip handelte und ob seine Nachbarn ebenfalls Alarme auslösten. Es erhielt auch eine Historie des Zustands des Fehlers über die Zeit. Durch die Einspeisung dieses detaillierten Kontextes in die KI lernte das System, komplexe Fehlermuster zu erkennen, die ältere Methoden übersehen hatten. Es lernte, zwischen einem einzelnen Messfehler und einer Kette von Fehlern, die sich über den Chip ausbreiten, zu unterscheiden, was es ihm ermöglichte, bessere Entscheidungen über die Behebung des Computers zu treffen.

Die Studie hob auch eine fundamentale Einschränkung des alten Ansatzes hervor. Durch die Verarbeitung des gesamten Gitters waren frühere Decoder gezwungen, die horizontalen und vertikalen Richtungen der Fehlerkarte als separate Probleme zu behandeln. In der Quantenwelt betreffen bestimmte Arten von Fehlern jedoch beide Richtungen gleichzeitig. Der neue Decoder konnte, indem er die Sequenz aller Fehler gemeinsam betrachtete, diese Verbindungen natürlich erkennen. Dies ermöglichte es ihm, Probleme zu lösen, vor denen die älteren, getrennten Methoden nicht in der Lage waren, was zu dem signifikanten Rückgang der Fehlerraten in den Tests führte.

Obwohl das System noch nicht schnell genug ist, um in Echtzeit auf den schnellsten supraleitenden Quantencomputern zu laufen, die mit einem Ein-Mikrosekunden-Zyklus arbeiten, stellt es einen massiven Sprung nach vorne dar. Die Forscher merkten an, dass die aktuelle Version Daten in Batches (Paketen) verarbeitet, was eine kleine Verzögerung verursacht. Die zugrunde liegende Logik ist jedoch so effizient, dass eine zukünftige Version, die darauf ausgelegt ist, Daten beim Eintreffen als Stream zu verarbeiten, potenziell die Geschwindigkeiten erreichen könnte, die für eine Echtzeit-Korrektur erforderlich sind. Die Tatsache, dass dieses Leistungsniveau auf einer Standard-Grafikkarte erreicht wurde, deutet darauf hin, dass die Eintrittsbarriere für eine hochwertige Quantenfehlerkorrektur niedriger ist als bisher angenommen.

Die Arbeit zeigt, dass die inhärente Spärlichkeit (Sparsity) von Quantenfehlern ein Merkmal und kein Fehler ist. Indem sie eine Architektur entwarfen, die diese Spärlichkeit respektiert, fanden die Forscher einen Weg zur Dekodierung, der sowohl schneller als auch genauer ist. Die Studie widerlegt die Annahme, dass die Verarbeitung des gesamten, dichten Gitters für eine hohe Genauigkeit notwendig ist, und zeigt stattdessen, dass die Konzentration auf die aktiven Defekte eine überlegene Strategie ist. Während die Quantenhardware sich weiter verbessert und vergrößert, wird die Fähigkeit, Fehler schnell und effizient zu dekodieren, der Schlüssel zur Entfaltung des vollen Potenzials dieser Maschinen sein. Dieser neue Decoder bietet einen klaren, praktischen Weg in diese Zukunft und beweist, dass die beste Art, ein komplexes Problem zu lösen, manchmal darin besteht, alles zu ignorieren, was nicht kaputt ist.