Spiking neural networks for streaming qubit readout

I computer quantistici promettono di risolvere problemi che sono attualmente impossibili anche per i supercomputer più potenti, dalla progettazione di nuovi medicinali alla simulazione di materiali complessi. Tuttavia, queste macchine sono incredibilmente fragili. Per funzionare, devono essere mantenute in uno stato di delicato equilibrio, e la minima perturbazione può causare la perdita delle loro informazioni. Per mantenere in funzione un computer quantistico, gli scienziati devono controllare costantemente lo stato dei suoi singoli componenti, noti come qubit, e apportare rapidi aggiustamenti in base a ciò che trovano. Questo processo di controllo, o "lettura" (readout), dello stato di un qubit non è solo un passaggio finale; è una conversazione continua e ad alta posta in gioco tra la macchina e lo scienziato. Se la lettura è troppo lenta o imprecisa, il computer non può correggere i suoi errori in tempo, e il calcolo fallisce. Per anni, gli scienziati si sono affidati a metodi standard per interpretare questi segnali, ma man mano che le macchine quantistiche diventano più grandi e complesse, questi vecchi strumenti stanno diventando troppo lenti e troppo rigidi per gestire la natura disordinata e in tempo reale dei dati.

Un team di ricercatori ha introdotto un nuovo modo per ascoltare questi segnali quantistici, utilizzando un tipo di cervello artificiale ispirato al sistema nervoso umano. Invece di aspettare che un'intera misurazione finisca prima di prendere una decisione, il loro nuovo sistema ascolta il segnale mentre arriva, aggiornando la propria comprensione momento per momento. Questo approccio, che utilizza reti neurali spiking, consente al computer di prendere decisioni molto più velocemente rispetto al passato, consentendo potenzialmente le rapide correzioni necessarie per il calcolo quantistico su larga scala. I ricercatori hanno testato questo metodo su un piccolo processore quantistico a cinque qubit e hanno scoperto che poteva identificare lo stato dei qubit con un'elevata precisione, eguagliando le prestazioni di sistemi molto più grandi e lenti, pur operando in tempo reale.

La sfida inizia con il modo in cui i computer quantistici vengono misurati. Nei processori quantistici superconduttori utilizzati da molti ricercatori, le informazioni vengono lette inviando segnali a microonde attraverso la macchina. Quando un qubit si trova in uno stato o in un altro, sposta leggermente la frequenza di questi segoli. Nelle configurazioni moderne, gli scienziati misurano spesso molti qubit contemporaneamente inviando diverse frequenze attraverso un singolo cavo, una tecnica chiamata multiplexing di frequenza. Sebbene efficiente, questa tecnica crea un segnale complesso che è una miscela delle risposte di tutti i qubit. Il segnale non è una linea pulita e semplice; è una traccia rumorosa e fluttuante che può essere distorta dall'interazione tra i qubit o dal cambiamento di stato dei qubit stessi durante la misurazione. Tradizionalmente, gli scienziati hanno utilizzato un metodo chiamato filtraggio adattato (matched filtering) per interpretare queste tracce. Questo metodo funziona confrontando il segnale in arrivo con un modello perfetto e precalcolato di come dovrebbe apparire il segnale. Tuttavia, questo approccio presenta un difetto significativo: richiede che l'intera misurazione venga registrata prima che possa iniziare qualsiasi analisi. Tratta il segnale come un'immagine statica, ignorando il fatto che il segnale cambia nel tempo e che indizi importanti potrebbero apparire all'inizio della misurazione per poi scomparire.

Per superare questo limite, i ricercatori si sono rivolti a un tipo diverso di intelligenza artificiale noto come rete neurale spiking. A differenza delle normali reti neurali artificiali, che elaborano i dati in flussi continui e producono una risposta solo dopo aver visto l'intero input, le reti neurali spiking sono progettate per gestire le informazioni man mano che arrivano, proprio come i neuroni nel cervello che rispondono a eventi specifici. In questo nuovo sistema, il segnale a microonde in arrivo viene suddiviso in minuscole fette temporali, ciascuna della durata di soli 100 nanosecondi. Non appena arriva ogni fetta, la rete la elabora immediatamente, aggiornando la sua memoria interna e la sua ipotesi sullo stato del qubit. Non aspetta che la misurazione completa sia terminata. Ciò consente al sistema di iniziare a prendere una decisione quasi non appena inizia la misurazione, invece di aspettare la fine del processo. I ricercatori hanno costruito questo sistema per farlo girare su un hardware specializzato chiamato FPGA (field-programmable gate array), un tipo di chip comunemente usato nei sistemi di controllo quantistico perché può eseguire calcoli con un ritardo estremamente basso.

Il team ha testato il loro nuovo metodo su un processore quantistico a cinque qubit, un benchmark piccolo ma realistico che include tutte le complicazioni di una macchina più grande, come il rumore e l'interferenza tra i qubit. Hanno confrontato la loro rete neurale spiking con il tradizionale metodo del filtro adattato e con una rete neurale artificiale standard che attende l'intero set di dati prima di decidere. I risultati hanno mostrato che la rete neurale spiking era altamente efficace. Ha raggiunto un'accuratezza quasi identica a quella della rete neurale standard molto più grande, che aveva accesso a tutti i dati contemporaneamente, ma lo ha fatto elaborando i dati in tempo reale. Il metodo tradizionale del filtro adattato, che è lo standard attuale, era meno accurato, specialmente quando i qubit interagivano tra loro o quando il segnale era rumoroso. Il nuovo sistema è stato in grado di individuare questi schemi complessi e correggerli, riducendo gli errori che si verificano quando la misurazione di un qubit viene confusa dallo stato di un altro.

Uno dei risultati più significativi è stata la capacità di controllare quando il sistema prende la sua decisione. Poiché la rete aggiorna la sua ipotesi dopo ogni minuscola fetta di tempo, i ricercatori hanno potuto addestrarla a essere abbastanza sicura da interrompere la misurazione in anticipo se il segnale era chiaro, o ad aspettare più a lungo se il segnale era ambiguo. Hanno scoperto che, regolando l'addestramento, potevano ottenere una lettura molto accurata dopo soli 600 nanosecondi di misurazione, ovvero una parte significativa del tempo totale, senza sacrificare l'accuratezza del risultato finale. Questa flessibilità è cruciale per la correzione degli errori quantistici, dove il sistema deve decidere rapidamente se applicare una correzione o attendere ulteriori informazioni. I ricercatori hanno inoltre dimostrato di poter far girare questo sistema complesso su hardware utilizzando numeri semplificati, una tecnica chiamata quantizzazione, senza perdere molta accuratezza. Questo è fondamentale perché significa che il sistema può operare con le risorse limitate di un vero controller di un computer quantistico senza richiedere enormi quantità di energia o memoria.

I test sull'hardware hanno confermato che il sistema è abbastanza veloce per il compito richiesto. I ricercatori hanno calcolato che il chip può elaborare ogni fetta di dati da 100 nanosecondi in circa 31-52 nanosecondi. Ciò significa che il sistema completa il calcolo e aggiorna la propria decisione ben prima che arrivi la successiva fetta di dati. Questa velocità è essenziale per una lettura in streaming, dove il sistema deve tenere il passo con il flusso di informazioni senza restare indietro. Lo studio ha dimostrato che questo approccio non è solo una possibilità teorica, ma una soluzione pratica che può essere costruita con la tecnologia attuale. Combinando la capacità di apprendere da dati complessi e rumorosi con la velocità dell'elaborazione in tempo reale, la rete neurale spiking offre una nuova strada per la lettura dei computer quantistici. Essa colma il divario tra i metodi lenti e rigidi del passato e le esigenze veloci e adattive del futuro, suggerendo che la prossima generazione di computer quantistici potrebbe fare affidamento su questi sistemi ispirati al cervello per rimanere in carreggiata.