Spiking neural networks for streaming qubit readout

Las computadoras cuánticas albergan la promesa de resolver problemas que son actualmente imposibles incluso para las supercomputadoras más potentes, desde el diseño de nuevos medicamentos hasta la simulación de materiales complejos. Sin embargo, estas máquinas son increíblemente frágiles. Para funcionar, deben mantenerse en un estado de delicado equilibrio, y la más mínima perturbación puede hacer que pierdan su información. Para mantener una computadora cuántica en funcionamiento, los científicos deben verificar constantemente el estado de sus componentes individuales, conocidos como cúbits, y realizar ajustes rápidos basados en lo que encuentran. Este proceso de verificación, o "lectura", del estado de un cúbit no es solo un paso final; es una conversación continua y de alto riesgo entre la máquina y el científico. Si la lectura es demasiado lenta o inexacta, la computadora no puede corregir sus errores a tiempo, y el cálculo falla. Durante años, los científicos han dependido de métodos estándar para interpretar estas señales, pero a medida que las máquinas cuánticas se vuelven más grandes y complejas, estas viejas herramientas se están volviendo demasiado lentas y rígidas para manejar la naturaleza desordenada y en tiempo real de los datos.

Un equipo de investigadores ha introducido ahora una nueva forma de escuchar estas señales cuánticas, utilizando un tipo de cerebro computacional inspirado en el sistema nervioso humano. En lugar de esperar a que termine una medición completa antes de tomar una decisión, su nuevo sistema escucha la señal a medida que llega, actualizando su comprensión momento a momento. Este enfoque, que utiliza redes neuronales de impulsos (spiking neural networks), permite que la computadora tome decisiones mucho más rápido que antes, permitiendo potencialmente las correcciones rápidas necesarias para la computación cuántica a gran escala. Los investigadores probaron este método en un pequeño procesador cuántico de cinco cúbits y descubrieron que podía identificar el estado de los cúbits con alta precisión, igualando el rendimiento de sistemas mucho más grandes y lentos, mientras operaba en tiempo real.

El desafío comienza con la forma en que se miden las computadoras cuánticas. En los procesadores cuánticos superconductores utilizados por muchos investigadores, la información se lee enviando señales de microondas a través de la máquina. Cuando un cúbit está en un estado u otro, desplaza ligeramente la frecuencia de estas señales. En las configuraciones modernas, los científicos suelen medir muchos cúbits a la vez enviando diferentes frecuencias a través de un solo cable, una técnica llamada multiplexación de frecuencia. Aunque es eficiente, esto crea una señal compleja que es una mezcla de las respuestas de todos los cúbits. La señal no es una línea limpia y simple; es un trazo ruidoso y fluctuante que puede ser distorsionado por la interacción de los cúbits entre sí o por el hecho de que los cúbits cambien su estado mientras ocurre la medición. Tradicionalmente, los científicos han utilizado un método llamado filtrado adaptado (matched filtering) para interpretar estos trazos. Este método funciona comparando la señal entrante contra una plantilla perfecta y precalculada de cómo debería verse la señal. Sin embargo, este enfoque tiene un defecto significativo: requiere que toda la medición sea registrada antes de que pueda comenzar cualquier análisis. Trata la señal como una imagen estática, ignorando el hecho de que la señal cambia con el tiempo y que pistas importantes pueden aparecer temprano en la medición y luego desaparecer.

Para superar esta limitación, los investigadores recurrieron a un tipo diferente de inteligencia artificial conocida como red neuronal de impulsos. A diferencia de las redes neuronales artificiales estándar, que procesan datos en flujos continuos y solo producen una respuesta después de ver toda la entrada, las redes neuronales de impulsos están diseñadas para manejar la información a medida que llega, de forma muy similar a cómo las neuronas en el cerebro disparan en respuesta a eventos específicos. En este nuevo sistema, la señal de microondas entrante se divide en diminutos intervalos de tiempo, cada uno de los cuales dura solo 100 nanosegundos. A medida que llega cada intervalo, la red lo procesa inmediatamente, actualizando su memoria interna y su suposición sobre en qué estado se encuentra el cúbit. No espera a que la medición completa termine. Esto permite que el sistema comience a tomar una decisión casi tan pronto como comienza la medición, en lugar de esperar hasta el final. Los investigadores construyeron este sistema para ejecutarse en un hardware especializado llamado matriz de puertas programable en campo, o FPGA, que es un tipo de chip comúnmente utilizado en sistemas de control cuántico porque puede realizar cálculos con un retraso extremadamente bajo.

El equipo probó su nuevo método en un procesador cuántico de cinco cúbits, un banco de pruebas pequeño pero realista que incluye todas las complicaciones de una máquina más grande, como el ruido y la interferencia entre los cúbits. Compararon su red neuronal de impulsos contra el método tradicional de filtrado adaptado y contra una red neuronal artificial estándar que espera a tener todos los datos antes de decidir. Los resultados mostraron que la red neuronal de impulsos era altamente efectiva. Logró una precisión casi idéntica a la de la red neuronal estándar mucho más grande, que tenía acceso a todos los datos a la vez, pero lo hizo procesando los datos en tiempo real. El método tradicional de filtrado adaptado, que es el estándar actual, fue menos preciso, particularmente cuando los cúbits interactuaban entre sí o cuando la señal era ruidosa. El nuevo sistema fue capaz de detectar estos patrones complejos y corregirlos, reduciendo los errores que ocurren cuando la medición de un cúbit se confunde por el estado de otro.

Uno de los hallazgos más significativos fue la capacidad de controlar cuándo el sistema toma su decisión. Debido a que la red actualiza su suposición después de cada diminuto intervalo de tiempo, los investigadores pudieron entrenarla para que fuera lo suficientemente confiada como para detenerse temprano si la señal era clara, o para esperar más tiempo si la señal era ambigua. Descubrieron que, al ajustar el entrenamiento, podían obtener una lectura muy precisa después de solo 600 nanosegundos de la medición, lo cual es una parte significativa del tiempo total, sin sacrificar la precisión del resultado final. Esta flexibilidad es crucial para la corrección de errores cuánticos, donde el sistema debe decidir rápidamente si aplicar una corrección o esperar por más información. Los investigadores también demostraron que podían ejecutar este sistema complejo en hardware utilizando números simplificados, una técnica llamada cuantización, sin perder mucha precisión. Esto es vital porque significa que el sistema puede ejecutarse con los recursos limitados de un controlador de computadora cuántica real sin necesidad de cantidades masivas de energía o memoria.

Las pruebas de hardware confirmaron que el sistema es lo suficientemente rápido para el trabajo. Los investigadores calcularon que el chip puede procesar cada intervalo de datos de 100 nanosegundos en aproximadamente 31 a 52 nanosegundos. Esto significa que el sistema termina su cálculo y actualiza su decisión mucho antes de que llegue el siguiente intervalo de datos. Esta velocidad es esencial para una lectura de flujo continuo (streaming readout), donde el sistema debe mantenerse al día con el flujo de información sin quedarse atrás. El estudio mostró que este enfoque no es solo una posibilidad teórica, sino una solución práctica que puede construirse con la tecnología actual. Al combinar la capacidad de aprender de datos complejos y ruidosos con la velocidad del procesamiento en tiempo real, la red neuronal de impulsos ofrece un nuevo camino hacia adelante para la lectura de las computadoras cuánticas. Cierra la brecha entre los métodos lentos y rígidos del pasado y las necesidades rápidas y adaptativas del futuro, sugiriendo que la próxima generación de computadoras cuánticas podría depender de estos sistemas inspirados en el cerebro para mantenerse en curso.