Demonstration of Logical Error Suppression in a Surface Code Memory on a Cloud-Accessible IBM Superconducting Processor
Cet article démontre que l'optimisation des circuits d'extraction de syndromes sur un processeur IBM Nighthawk r2 réduit considérablement les taux d'erreur logique dans une mémoire de code de surface en rotation, atteignant un avantage de distance qui abaisse les erreurs par cycle d'environ 0,5 % à 0,2 % tout en soulignant la nécessité critique d'une conception de code tenant compte du matériel pour surmonter les corrélations de bruit spécifiques aux disposités.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les ordinateurs quantiques promettent de résoudre des problèmes impossibles pour les machines que nous utilisons aujourd'hui, de la conception de nouveaux médicaments à la cassure de codes complexes. Cependant, ces machines sont incroyablement fragiles. Les minuscules particules qu'elles utilisent pour stocker l'information, appelées qubits, sont facilement perturbées par la chaleur, les vibrations ou même les ondes électromagnétiques parasites. Cette sensibilité provoque l'apparition d'erreurs, corrompant le calcul avant qu'il ne se termine. Pour construire un ordinateur quantique utile, les scientifiques doivent trouver un moyen de protéger cette information. Ils le font en répartissant une seule unité de donnée sur de nombreux qubits physiques, créant ainsi un qubit « logique » capable de survivre si quelques-unes de ses parties échouent. C'est ce qu'on appelle la correction d'erreurs quantiques. L'objectif est d'atteindre un point où l'ajout de plus de composants physiques rend le système plus fiable, plutôt que moins, permettant à l'ordinateur de fonctionner pendant de longues périodes sans s'effondrer.
Une équipe de chercheurs a récemment testé cette idée sur un processeur quantique réel et accessible via le cloud, fabriqué par IBM. Ils se sont concentrés sur une méthode spécifique appelée le code de surface, qui dispose les qubits en une grille pour détecter et corriger les erreurs. Bien que la théorie suggère que l'agrandissement de la grille devrait réduire considérablement les erreurs, le matériel du monde réel est désordonné. Les qubits ne sont pas tous identiques ; certains sont plus forts, d'autres plus faibles, et le bruit qui les affecte change au fil du temps. Les chercheurs voulaient voir s'ils pouvaient faire fonctionner cette correction d'erreurs plus efficacement sur du matériel réel en ajustant soigneusement le fonctionnement de la machine, plutôt qu'en se reposant uniquement sur la conception théorique. Ils ont utilisé un processeur appelé Nighthawk r2, qui possède une disposition en grille qui s'adapte naturellement au code de surface, permettant de tester différentes configurations sans nécessiter d'étapes supplémentaires pour déplacer l'information.
L'équipe a découvert que la performance de la correction d'erreurs variait considérablement selon l'endroit exact où ils plaçaient leur grille sur la puce du processeur. Certains emplacements fonctionnaient beaucoup mieux que d'autres, simplement parce que les qubits physiques à ces endroits étaient de meilleure qualité. Pour obtenir les meilleurs résultats, ils ont dû choisir leurs emplacements avec discernement. Une fois les meilleurs emplacements sélectionnés, ils se sont concentrés sur le timing des opérations. Dans une configuration standard, la machine passe beaucoup de temps à lire l'état des qubits « assistants » (ancillas) utilisés pour détecter les erreurs. Pendant ce temps de lecture, les qubits de données principaux restent inactifs, en attente. Cette période d'attente est dangereuse car les qubits de données perdent leur information simplement en restant là. Les chercheurs ont découvert qu'en utilisant une méthode plus rapide pour lire les qubits assistants et en les réinitialisant immédiatement, ils pouvaient raccourcir ce temps d'attente. Ce changement simple a réduit considérablement les erreurs dans les données.
Ils ont également testé une technique appelée « écho », qui est une séquence spécifique d'impulsions appliquées aux qubits de données en attente pour annuler le bruit qu'ils captent lorsqu'ils sont inactifs. Cette technique a très bien fonctionné pour un type de stockage de données, réduisant le taux d'erreur de 21 %, mais a eu un effet moindre sur l'autre type. En combinant la lecture plus rapide, la réinitialisation immédiate et les impulsions d'écho, ils ont créé une routine optimisée. Lorsqu'ils ont comparé cette nouvelle routine à la manière standard de procéder, le taux d'erreur a chuté de façon spectaculaire. Pour un type de mémoire, les erreurs ont été réduites de 73 % en médiane, et pour l'autre, d'environ 30 %. Cela a prouvé que de petits changements dans la construction et le minutage du circuit peuvent avoir un impact énorme sur le résultat final.
Les chercheurs ont ensuite testé ce qui se passe lorsque l'on agrandit la grille, augmentant la « distance » du code, qui est une mesure de la capacité du système à tolérer les erreurs. Lors des expériences courtes, qui ont duré environ une douzaine de cycles de vérification d'erreurs, l'agrandissement de la taille de la grille a fonctionné comme prévu : les grilles plus grandes présentaient moins d'erreurs que les plus petites. Cela a confirmé que le système supprimait avec succès les erreurs à mesure que le code grandissait. Cependant, lorsqu'ils ont prolongé l'expérience pour la faire durer beaucoup plus longtemps, jusqu'à 150 cycles, l'avantage de la grille plus grande a commencé à s'estomper. Le taux d'erreur a cessé de diminuer et a recommencé à augmenter.
Ce comportement à long terme a révélé un problème caché. Les chercheurs ont remarqué que les erreurs n'étaient pas seulement des événements aléatoires et isolés. Au contraire, ils ont observé des modèles d'erreurs qui persistaient et s'accumulaient au fil du temps, se liant entre eux à travers de nombreux cycles de l'expérience. Ces corrélations persistantes suggéraient que quelque chose s'accumulait dans le système, peut-être un type d'erreur que les méthodes de correction standard ne pouvaient pas facilement corriger. Il semblait que, bien que le circuit optimisé soit excellent pour gérer de courtes rafales d'activité, il peinait à maintenir la protection sur des périodes prolongées. L'étude conclut que, bien que nous puissions faire des progrès significatifs en ajustant le matériel et la conception du circuit, il existe encore des défis fondamentaux pour maintenir la stabilité de ces systèmes pour les longues durées requises par des calculs complexes. Ce travail souligne que la construction d'un ordinateur quantique fiable nécessite non seulement une bonne théorie, mais aussi une compréhension profonde de la manière dont la machine spécifique se comporte dans le monde réel, jusqu'au minutage de chaque impulsion et à la qualité de chaque connexion individuelle.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.