Lifting: Quantum State Discrimination Framework for Mid-Circuit Measurements

Las computadoras cuánticas prometen resolver problemas que a las máquinas clásicas les tomaría miles de años, pero son increíblemente frágiles. Para funcionar, deben realizar secuencias complejas de operaciones mientras verifican constantemente los errores. Una parte crítica de este proceso es la capacidad de medir un bit cuántico, o qubit, en medio de un cálculo sin destruir toda la computación. Esto se conoce como medición a mitad del circuito. Cuando se mide un qubit, este produce una tenue señal de microondas que debe ser interpretada para determinar si el qubit está en un estado cero o uno. Sin embargo, en los chips superconductores utilizados hoy en día, esta señal suele ser ruidosa y distorsionada. A medida que una operación progresa y los qubits se miden repetidamente, el estado físico del hardware se degrada, haciendo que las señales sean aún más difíciles de leer. Si la computadora interpreta erróneamente una señal, podría aplicar la corrección equivocada, provocando que todo el cálculo falle.

Los investigadores han intentado mejorar este proceso de lectura utilizando inteligencia artificial, específicamente redes neuronales, que son buenas encontrando patrones en datos desordenados. No obstante, existe un límite estricto para qué tan bien pueden desempeñarse estas redes si solo están observando la señal de un único qubit. Si el ruido hace que las señales para el cero y el uno se solapen demasiado, ninguna cantidad de entrenamiento de software puede distinguirlas con certeza. Además, los métodos de calibración estándar, que enseñan a la computadora cómo leer señales antes de que comience una ejecución, a menudo fallan al no coincidir con la realidad de lo que sucede durante un cálculo largo y complejo. Las señales cambian a medida que el circuito se ejecuta, dejando al software entrenado con información desactualizada.

Para superar estos obstáculos, un equipo de investigadores de la Universidad de Indiana y el Laboratorio Nacional Lawrence Berkeley ha desarrollado un nuevo marco de trabajo llamado Lifting. En lugar de intentar perfeccionar la lectura de un solo qubit, Lifting cambia la forma en que se recopila la información. Antes de medir un qubit objetivo, el sistema lo vincula temporalmente con uno o más qubits auxiliares. Esto crea un grupo de qubits que comparten el mismo estado. El sistema mide entonces todos ellos exactamente al mismo tiempo, capturando una señal combinada que incluye al objetivo y a sus auxiliares. Al observar esta imagen conjunta en lugar de una señal única y aislada, el sistema obtiene información adicional que ayuda a separar los estados cero y uno, incluso cuando son ruidosos.

Los investigadores probaron este enfoque en tres procesadores cuánticos de IBM diferentes. Descubrieron que el simple hecho de añadir los qubits auxiliares y medirlos juntos redujo significamente la confusión entre los estados. Sin embargo, el equipo también descubrió que el tiempo de entrenamiento importaba tanto como el hardware. Crearon un método para calibrar el software de lectura mientras el circuito se ejecutaba realmente, asegurando que la computadora aprendiera a interpretar las señales bajo las condiciones exactas que enfrentaría durante la tarea real. Esta calibración "in situ" tuvo en cuenta la forma en que el hardware cambiaba a medida que avanzaba el cálculo.

Cuando los investigadores combinaron la técnica de medición conjunta con esta calibración en tiempo real, los resultados fueron sustanciales. En una prueba que involucraba mediciones repetidas, un sistema estándar que dependía de métodos de calibración antiguos completó la tarea correctamente solo un 54 por ciento de las veces. El nuevo marco de trabajo Lifting, utilizando las señales combinadas y el entrenamiento en tiempo real, elevó la tasa de éxito a casi el 62 por ciento al filtrar los resultados más ambiguos. En otras pruebas relacionadas con la corrección de errores y la teletransportación de datos, el nuevo método superó consistentemente a los enfoques estándar. El estudio sugiere que la mejor manera de leer una computadora cuántica no es solo construir un mejor decodificador, sino cambiar la información disponible para este y enseñarle utilizando las mismas condiciones que encontrará en el mundo real. Este enfoque ofrece un camino práctico para hacer que las computadoras cuánticas sean más confiables sin requerir hardware completamente nuevo.