Lifting: Quantum State Discrimination Framework for Mid-Circuit Measurements

I computer quantistici promettono di risolvere problemi che richiederebbero ai sistemi classici migliaia di anni, ma sono incredibilmente fragili. Per funzionare, devono eseguire sequenze complesse di operazioni controllando costantemente gli errori. Una parte critica di questo processo è la capacità di misurare un bit quantistico, o qubit, nel mezzo di un calcolo senza distruggere l'intera computazione. Questo è noto come misurazione a metà circuito (mid-circuit measurement). Quando un qubit viene misurato, produce un debole segnale a microonde che deve essere interpretato per determinare se il qubit si trova nello stato zero o uno. Tuttavia, sui chip superconduttori utilizzati oggi, questo segnale è spesso rumoroso e distorto. Man mano che un calcolo procede e i qubit vengono misurati ripetutamente, lo stato fisico dell'hardware si degrada, rendendo i segnali ancora più difficili da leggere. Se il computer interpreta erroneamente un segnale, potrebbe applicare la correzione sbagliata, causando il fallimento dell'intero calcolo.

I ricercatori hanno cercato di migliorare questo processo di lettura utilizzando l'intelligenza artificiale, specificamente le reti neurali, che sono brave a trovare schemi in dati disordinati. Eppure, esiste un limite netto a quanto bene queste reti possano performare se guardano solo al segnale di un singolo qubit. Se il rumore causa una troppa sovrapposizione tra i segnali dello zero e dell'uno, nessuna quantità di addestramento software potrà distinguerli con certezza. Inoltre, i metodi di calibrazione standard, che insegnano al computer come leggere i segnali prima dell'inizio di un'esecuzione, spesso non riescono a corrispondere alla realtà di ciò che accade durante un calcolo lungo e complesso. I segnali cambiano mentre il circuito viene eseguito, lasciando il software addestrato su informazioni obsolete.

Per superare questi ostacoli, un team di ricercatori dell'Indiana University e del Lawrence Berkeley National Laboratory ha sviluppato un nuovo framework chiamato Lifting. Invece di cercare di perfezionare la lettura di un singolo qubit, Lifting cambia il modo in cui le informazioni vengono raccolte. Prima di misurare un qubit bersaglio, il sistema lo collega temporaneamente a uno o più qubit ausiliari. Questo crea un gruppo di qubit che condividono lo stesso stato. Il sistema misura quindi tutti loro esattamente nello stesso momento, catturando un segnale combinato che include il bersaglio e i suoi ausiliari. Guardando a questa immagine congiunta piuttosto che a un singolo segnale isolato, il sistema ottiene informazioni extra che aiutano a separare gli stati zero e uno, anche quando sono rumorosi.

I ricercatori hanno testato questo approccio su tre diversi processori quantistici IBM. Hanno scoperto che semplicemente aggiungere i qubit ausiliari e misurarli insieme riduceva significativamente la confusione tra gli stati. Tuttavia, il team ha anche scoperto che la tempistica dell'addestramento contava tanto quanto l'hardware. Hanno creato un metodo per calibrare il software di lettura mentre il circuito era effettivamente in esecuzione, assicurando che il computer imparasse a interpretare i segnali nelle esatte condizioni che avrebbe affrontato durante il compito reale. Questa calibrazione "in situ" teneva conto del modo in cui l'hardware cambiava con l'avanzare del calcolo.

Quando i ricercatori hanno combinato la tecnica di misurazione congiunta con questa calibrazione in tempo reale, i risultati sono stati sostanziali. In un test che prevedeva misurazioni ripetute, un sistema standard che si affidava a metodi di calibrazione più vecchi ha completato il compito correttamente solo circa il 54 percento delle volte. Il nuovo framework Lifting, utilizzando i segnali combinati e l'addestramento in tempo reale, ha elevato il tasso di successo a quasi il 62 percento filtrando i risultati più ambigui. In altri test riguardanti la correzione degli errori e la teletrasporto dei dati, il nuovo metodo ha superato costantemente gli approcci standard. Lo studio suggerisce che il modo migliore per leggere un computer quantistico non è solo costruire un decoder migliore, ma cambiare l'informazione disponibile per esso e istruirlo usando le stesse condizioni che incontrerà nel mondo reale. Questo approccio offre una via pratica per rendere i computer quantistici più affidabili senza richiedere hardware completamente nuovo.