Surface code scaling on heavy-hex superconducting quantum processors

Dans la quête de la construction d'un ordinateur quantique, les scientifiques sont confrontés à un problème fondamental : les états quantiques délicats qui détiennent l'information sont incroyablement fragiles. Le moindre dérangement provenant de l'environnement peut corrompre les données, provoquant la défaillance de la machine. Pour résoudre cela, les chercheurs ont développé une méthode appelée correction d'erreurs quantiques. Au lieu de s'appuyer sur un seul composant physique parfait, ils répartissent une seule unité d'information sur de nombreux composants physiques. Si une partie subit un dysfonctionnement, le système peut détecter l'erreur et la corriger sans perdre l'information, tout comme une seule page déchirée dans un livre ne détruit pas l'histoire si le texte est imprimé sur plusieurs pages. La manière la plus prometteuse d'y parvenir est d'utiliser un « code de surface », un agencement en grille où l'information est protégée par la vérification des relations entre les parties voisines. Cependant, pour que cette protection fonctionne, la machine doit être capable de corriger les erreurs plus rapidement qu'elles n'apparaissent. Cela exige que le système fonctionne en dessous d'un certain « seuil » de bruit. Si la machine est trop bruyante, la correction d'erreurs introduit elle-même plus de fautes qu'elle n'en répare.

Le défi devient encore plus difficile lorsque le matériel physique ne correspond pas naturellement au motif de grille requis par le code de surface. La plupart des processeurs quantiques actuels sont construits avec un schéma de connexions spécifique qui diffère de la grille carrée idéale nécessaire à ces codes. Pour les faire fonctionner ensemble, les scientifiques doivent trouver des moyens ingénieux de projeter le code sur le matériel, ce qui nécessite souvent des étapes supplémentaires pour déplacer l'information entre des parties distantes de la puce. Ces étapes supplémentaires créent des pauses où les bits quantiques restent inactifs, attendant des instructions. Pendant ces pauses, les bits sont vulnérables au bruit, qui peut s'accumuler et ruiner la protection que le code est censé fournir. Une équipe de chercheurs s'est donné pour mission de tester si l'on pouvait faire fonctionner cette configuration difficile sur un véritable processeur quantique, spécifiquement un processeur doté d'une configuration unique de type « heavy-hex » utilisée par IBM. Ils voulaient voir s'ils pouvaient augmenter la taille de leur code de correction d'erreurs et réellement voir le taux d'erreur diminuer, prouvant ainsi que le système entrait dans la zone de sécurité où les ordinateurs quantiques pourraient éventuellement devenir assez puissants pour résoudre des problèmes du monde réel.

Les chercheurs se sont tournés vers un processeur de 156 qubits connu sous le nom de « Heron », qui présente une structure de réseau heavy-hex. Cette configuration est conçue pour réduire les interférences entre les qubits, mais elle rend l'implémentation du code de surface plus difficile car les qubits ne sont pas tous directement connectés à leurs voisins. Pour combler cet écart, l'équipe a conçu une nouvelle méthode pour intégrer le code sur la puce. Ils ont utilisé une technique qui plie et déplie le circuit, utilisant des qubits « ponts » spéciaux pour connecter temporairement des parties distantes du code afin qu'elles puissent communiquer entre elles. Cette approche a minimisé le temps pendant lequel les qubits restaient en attente, gardant le circuit aussi court que possible. Cependant, ils savaient que même avec un circuit court, les moments d'inactivité permettraient au bruit de s'accumuler. Pour combattre cela, ils ont intégré une stratégie de suppression du bruit puissante appelée découplage dynamique. Cela consiste à appliquer une série rapide d'impulsions de contrôle aux qubits pendant qu'ils attendent, annulant efficacement les interactions indésirables avec l'environnement avant qu'elles ne puissent causer des dommages.

L'équipe a testé son système en exécutant le code de correction d'erreurs selon deux tailles différentes. Ils ont commencé par un code plus petit, puis l'ont agrandi dans une direction pour créer un code anisotrope plus large. Dans un monde parfait, agrandir le code améliorerait toujours sa capacité à protéger l'information. Mais dans le monde réel, un code plus grand nécessite un circuit plus complexe, ce qui introduit davantage d'opportunités d'erreurs. Les chercheurs ont constaté que lorsqu'ils augmentaient la taille du code, la protection s'améliorait pour un type d'erreur, mais pas pour l'autre. Plus précisément, lorsqu'ils rendaient le code plus long dans une direction, il devenait bien meilleur pour protéger contre les erreurs de basculement de phase, mais la protection contre les erreurs de basculement de bit ne s'améliorait pas autant. Cela s'expliquait par le fait que la complexité supplémentaire du circuit plus large introduisait de nouvelles vulnérabilités que le code ne pouvait pas encore gérer.

Une découverte critique de ce travail fut le rôle des impulsions de suppression du bruit. Les chercheurs ont découvert que sans ces impulsions, le code plus grand semblait mieux performer que le plus petit, suggérant une mise à l'échelle réussie. Cependant, il s'agissait d'un résultat trompeur. Lorsqu'ils ont appliqué les impulsions de suppression du bruit, ils ont réalisé que le code plus petit bénéficiait de celles-ci bien plus que le plus grand. Les impulsions étaient si efficaces pour nettoyer le bruit dans le circuit plus petit et plus simple que le code plus grand semblait échouer par comparaison. Cela a révélé un piège : si vous n'optimisez pas soigneusement la suppression du bruit pour chaque taille de code testée, vous pourriez faussement prétendre que la mise à l'échelle fonctionne alors qu'elle ne fonctionne pas. L'équipe a démontré qu'en comparant uniquement la meilleure version de chaque taille de code, on pouvait obtenir une image honnête de la performance.

Pour mesurer les résultats avec précision, l'équipe s'est éloignée des méthodes standards de calcul des taux d'erreur qui reposent sur des hypothèses simples sur le comportement des erreurs. Au lieu de cela, ils ont développé une nouvelle métrique basée sur la « fidélité d'intrication », qui mesure la capacité du système à préserver l'information quantique à travers tous les états possibles, et non seulement ceux qui sont les plus faciles à mesurer. En utilisant cette méthode rigoureuse, ils ont découvert que, sur leur matériel actuel, le système n'avait pas encore atteint le point où l'augmentation de la taille du code garantit une meilleure protection pour tous les types d'informations. Bien que les codes plus larges montrent une amélioration dans des directions spécifiques, le système global était encore trop bruyant pour atteindre la protection universelle nécessaire à une machine entièrement tolérante aux fautes.

L'étude conclut que la voie vers un ordinateur quantique fonctionnel est claire mais nécessite une ingénierie précise. Les chercheurs ont démontré qu'en combinant une méthode intelligente de projection du code sur le matériel avec une suppression agressive du bruit, ils pouvaient observer les prémices d'une suppression d'erreurs. Ils ont montré qu'avec une réduction modeste des niveaux de bruit actuels — environ trente pour cent d'amélioration — et l'accès à une puce légèrement plus grande pour héberger un code encore plus vaste, le système franchirait le seuil de la zone de sécurité. Ce travail ne prétend pas avoir résolu le problème de la correction d'erreurs quantiques, mais il fournit une feuille de route concrète. Il prouve que la bonne combinaison de conception tenant compte du matériel et de contrôle du bruit peut rapprocher ces systèmes du point où ils pourront effectuer de manière fiable les calculs complexes qui définiront l'avenir de l'informatique quantique.