Real-time single-shot qubit-state discrimination on FPGA with a parameter-efficient Trace–IQ fusion network

Nella corsa alla costruzione di un computer quantistico pratico, la parte più fragile della macchina non è il processore stesso, ma il momento in cui cerchiamo di ascoltarlo. I qubit superconduttori, i minuscoli circuiti che fungono da cervello di questi computer, esistono in uno stato di delicata sovrapposizione, trattenendo informazioni che svaniscono se disturbate troppo pesantemente. Per leggere cosa sta facendo un qubit, gli scienziati proiettano un segnale a microonde su di esso e ascoltano un debole eco. Questo eco arriva come un flusso di punti dati, un sussurro rumoroso che cambia nel tempo. La sfida è decidere, in una frazione di secondo, se il qubit si trova nel suo stato fondamentale o nel suo stato eccitato. Questa decisione deve avvenire istantaneamente, mentre il qubit è ancora "vivo", affinché il computer possa correggere eventuali errori prima che si propaghino. Se il processo di ascolto è troppo lento o troppo goffo, l'informazione viene persa e il calcolo fallisce. Per anni, il modo standard di ascoltare è stato un metodo semplice e rigido che tratta il segnale come un'istantanea statica, ignorando i sottili cambiamenti che avvengono mentre il segnale si dispiega.

Un ricercatore ha ora dimostrato un modo più intelligente di ascoltare, che gira direttamente sull'hardware che controlla il computer quantistico. Ha sviluppato un nuovo metodo per leggere questi segnali che non è solo più accurato, ma anche incredibilmente efficiente, richiedendo molta meno potenza di calcolo rispetto ai tentativi precedenti. Addestrando un piccolo programma informatico specializzato per riconoscere la forma specifica dell'evoluzione del segnale, ha raggiunto un livello di accuratezza che supera lo standard consolidato del settore. Questa scoperta è significativa perché dimostra che decisioni complesse possono avvenire in tempo reale, proprio accanto al processore quantistico, senza sovraccaricare le limitate risorse del sistema. Il ricercatore ha mostrato che concentrandosi sul modo specifico in cui il segnale cambia nel tempo, piuttosto che solo sul suo valore medio, è riuscito a distinguere tra i due stati con una fedeltà di 0,9962, un numero che rappresenta la probabilità di essere corretti.

Il cuore del problema risiede nelle imperfezioni del mondo fisico. Quando un qubit viene misurato, non sempre rimane nello stato in cui era iniziato. Può decadere, perdendo energia e cambiando la propria identità a metà della finestra di misurazione. Può anche "perdere" verso un terzo stato indesiderato che i metodi di lettura standard non prevedono. Inoltre, l'attrezzatura stessa può subire delle derive, spostando leggermente la posizione del segnale. Il metodo tradizionale, noto come filtro adattato (matched filter), funziona bene quando il segnale è una nuvola di punti dati perfetta e statica. Tuttavia, fallisce quando il segnale è un bersaglio mobile che cambia forma o posizione durante la misurazione. Esso essenzialmente media l'intero segnale, scartando l'informazione cruciale su come il segnale sia cambiato momento per momento. Questo limite significava che una parte significativa del potenziale di accuratezza veniva lasciata sul tavolo.

Per risolvere questo problema, il ricercatore ha costruito una simulazione che imita il rumore e le imperfezioni del mondo reale di una misurazione quantistica, inclusi il decadimento e la deriva. Ha utilizzato questa simulazione per generare un enorme dataset di quarantamila eventi di misurazione individuali. Ha poi testato quattro metodi matematici tradizionali contro un nuovo approccio basato sulle reti neurali, ovvero sistemi informatici progettati per apprendere modelli dai dati. I metodi tradizionali, incluso il filtro adattato standard e una semplice tecnica di integrazione, hanno faticato a stare al passo con la realtà disordinata della simulazione. Hanno ottenuto fedeltà comprese tra circa lo 0,97 e lo 0,98, il che significa che commettevano errori in circa due o tre casi su cento.

Il ricercatore ha quindi introdotto una nuova architettura che chiama Trace–IQ Fusion Network. Questo sistema è progettato con due percorsi distinti che lavorano insieme. Un percorso osserva l'intera storia del segnale, analizzando come la forma dell'onda cambi nel tempo per catturare quei decadimenti o fughe di stato avvenuti durante la misurazione. L'altro percorso calcola semplicemente la posizione media del segnale, ovvero ciò su cui si basavano i vecchi metodi. Fondendo queste due visioni, la rete ottiene il meglio di entrambi i mondi: conosce la posizione complessiva ma comprende anche la storia di come vi è arrivata. Sorprendentemente, questa nuova rete ha raggiunto una fedeltà di 0,9962, superando nettamente il miglior metodo tradizionale. Ha commesso meno errori rispetto all'approccio standard, identificando correttamente lo stato in quasi ogni singolo tentativo.

Ciò che rende questa scoperta particolarmente potente non è solo l'accuratezza, ma l'estrema efficienza del design. La nuova rete richiedeva solo 686 numeri regolabili, o parametri, per apprendere il compito. Al contrario, una rete neurale standard che raggiungeva un'accuratezza simile necessitava di oltre settemila parametri. Ciò significa che il nuovo sistema è circa dieci volte più efficiente, utilizzando una frazione della memoria e della potenza di calcolo. Questa efficienza è fondamentale perché la decisione deve essere presa su un FPGA (field-programmable gate array), un tipo di chip che si trova proprio accanto al processore quantistico e che dispone di pochissimo spazio per software aggiuntivo. Il ricercatore ha dimostrato che il suo design può essere ulteriormente rimpicciolito, funzionando efficacemente con numeri molto piccoli, il che permette di eseguirlo sull'hardware senza rallentare il resto del sistema.

Per garantire che questo design potesse essere effettivamente integrato in hardware reale, il ricercatore ha dovuto superare un ostacolo tecnico specifico. Quando si traduce il design del software nel linguaggio compreso dai chip hardware, un passaggio comune chiamato "pooling", che semplifica i dati, spesso causava una scalatura errata dei numeri, rompendo la logica della rete. Il ricercatore ha risolto il problema sostituendo il passaggio di pooling standard con un calcolo fisso e immutabile che svolgeva lo stesso compito ma si comportava correttamente nella traduzione verso l'hardware. Questo piccolo ma astuto accorgimento ha permesso all'intero sistema di essere sintetizzato in un design di chip funzionante senza perdere alcuna parte dell'intelligenza appresa. Ha verificato questo eseguendo una simulazione digitale del chip, che corrispondeva al modello software originale con una precisione quasi perfetta, confermando che il design avrebbe funzionato come previsto una volta costruito.

I risultati suggeriscono che il futuro dell'informatica quantistica risieda in questi ascoltatori compatti e intelligenti. Allontanandosi dai metodi rigidi e universali e abbracciando sistemi capaci di adattarsi alla natura disordinata e mutevole dei segnali quantistici, gli scienziati possono estrarre più informazioni dalle loro macchine. La nuova rete ha dimostrato che è possibile ottenere letture ad alta fedeltà in tempo reale, anche quando i qubit decadono o subiscono derive. Sebbene lo studio sia stato condotto utilizzando una simulazione altamente realistica anziché un computer quantistico fisico, i risultati forniscono una chiara tabella di marcia per la prossima generazione di sistemi di controllo. La capacità di eseguire un discriminatore così sofisticato su un chip di piccole dimensioni significa che i computer quantistici possono ora reagire ai propri errori in modo più rapido e affidabile, portando il sogno di una macchina quantistica stabile e su larga scala un passo più vicino alla realtà.