I computer quantistici promettono di risolvere problemi che richiederebbero alle macchine odierne migliaia di anni, ma sono incredibilmente fragili. Le minuscole particelle che contengono le loro informazioni, chiamate qubit, sono facilmente disturbabili dal calore, dalle vibrazioni o persino da onde elettromagnetiche vaganti. Quando un qubit viene disturbato, commette un errore e, se questi errori si accumulano, l'intero calcolo crolla. Per costruire un computer quantistico utile, gli scienziati devono costruire un sistema in grado di trovare e correggere questi errori man mano che si verificano, un processo noto come correzione degli errori quantistici. Il metodo più popolare per farlo utilizza una griglia di qubit in cui il sistema controlla costantemente la propria salute. Questi controlli producono un flusso di dati chiamato sindrome, che funge da mappa di dove si sono verificati gli errori. La sfida è che un computer deve leggere questa mappa e decidere come correggere gli errori più velocemente di quanto possano comparire nuovi errori, una corsa contro il tempo che richiede un'immensa velocità e precisione.

Per anni, i migliori strumenti per leggere queste mappe di errore sono stati algoritmi classici che trattano l'intera griglia come un blocco di dati solido, controllando ogni singolo quadrato indipendentemente dal fatto che ci sia qualcosa di sbagliato. Questo approccio è affidabile ma lento, perché spreca tempo nell'elaborare lo spazio vuoto. In uno studio recente, i ricercatori dell'Università della California, Irvine, hanno introdotto un modo diverso di pensare. Hanno costruito un decoder che ignora le parti vuote della griglia e si concentra solo sulle poche zone in cui si è effettivamente verificato un errore. Trattando la mappa degli errori non come un'immagine completa ma come una lista sparsa di eventi attivi, hanno creato un sistema che è drasticamente più veloce e altrettanto accurato dei migliori metodi esistenti.

I ricercatori, guidati da Samira Sayedsalehi, hanno sviluppato quello che chiamano Sparse Mamba Decoder. Per capire perché questo sia una svolta, bisogna prima comprendere la natura degli errori. In un computer quantistico che esegue un tipico esperimento, gli errori sono rari. Su migliaia di possibili punti in cui potrebbe essere registrato un errore, di solito solo una piccola frazione, spesso meno del cinque percento, mostra effettivamente un problema. Il vecchio modo di decodificare era come un guardiano della sicurezza che percorre ogni singola stanza di un enorme hotel vuoto per controllare la presenza di intrusi, anche se il guardiano sapeva che gli intrusi apparivano solo in alcune stanze specifiche. Il nuovo decoder salta interamente le stanche vuote. Aspetta che l'allarme suoni, identifica la stanza specifica da cui proviene il rumore e poi analizza solo quella stanza e i suoi vicini immediati.

Questo cambio di strategia ha permesso al team di utilizzare un nuovo e potente tipo di architettura di intelligenza artificiale chiamato modello a spazio di stato, specificamente una versione nota come Mamba. Questo modello è progettato per elaborare sequenze di informazioni in modo efficiente. Invece di alimentare il sistema con l'intera griglia di dati, i ricercatori hanno estratto solo i segnali di errore attivi, che chiamano difetti. Hanno poi avvolto ogni difetto in una descrizione dettagliata contenente la sua posizione, il tipo di errore e la sua relazione con gli errori vicini. Ciò ha creato una lista di eventi breve e a lunghezza variabile piuttosto che un enorme blocco di dati statici. Il modello di IA ha quindi letto questa lista per prevedere se il computer avesse subito un fallimento logico, ovvero un errore che non può essere corretto e rovina il calcolo.

I risultati di questo approccio sono stati sorprendenti. Quando testato su dati simulati che imitano il comportamento di hardware quantistico reale, il nuovo decoder ha ridotto il tasso di errori non correggibili fino al 49 percento rispetto al metodo standard utilizzato nel settore. Ancora più importante, lo ha fatto con un'incredibile velocità. Nei test, il nuovo sistema è stato tra le 95 e le 467 volte più veloce dell'attuale decoder quasi perfetto, noto come Tesseract. Mentre il decoder Tesseract impiegava millisecondi per elaborare una singola mappa di errore, il nuovo sistema completava il compito in microsecondi. Questa velocità è critica perché i computer quantistici operano su cicli che durano circa un microsecondo; se il decoder è troppo lento, il computer non riesce a stare al passo con i propri errori.

I ricercatori hanno anche testato il loro sistema su dati reali raccolti dal processore quantistico Sycamore di Google. In questi esperimenti, il nuovo decoder ha eguagliato o leggermente superato le prestazioni di una precedente, più complessa rete neurale che elaborava l'intera griglia di dati. Ciò ha dimostrato che il nuovo metodo non perde accuratezza ignorando lo spazio vuoto; ha semplicemente trovato un modo più efficiente per vedere il segnale. Il sistema ha raggiunto questa alta prestazione su schede grafiche standard e commerciali, senza richiedere l'hardware di supercalcolo specializzato ed costoso richiesto da altri decoder avanzati.

Uno dei risultati più significativi è stato il modo in cui il sistema gestisce la dimensione del computer quantistico. Man mano che la griglia di qubit cresce per eseguire calcoli più complessi, la quantità di dati da elaborare di solito esplode, rendendo la decodifica sempre più lenta. Il nuovo decoder, tuttavia, ha mantenuto una velocità quasi costante indipendentemente dalla dimensione della griglia. Mentre altri metodi diventavano centinaia di volte più lenti con la crescita della griglia, questo sistema rallentava solo di un piccolo fattore. Ciò suggerisce che, man mano che i computer quantistici scalano verso le dimensioni massicce necessarie per usi pratici, questo approccio focalizzato sui difetti diventerà non solo più veloce, ma essenziale.

Il successo dello Sparse Mamba Decoder si basa su un modo intelligente di descrivere gli errori. Invece di sapere solo dove è avvenuto un errore, al sistema è stata fornita una ricca serie di indizi per ogni evento di errore. Gli è stato comunicato l'esatto coordinata dell'errore, se si trattava di un bit-flip o di un phase-flip, e se i suoi vicini stavano anche attivando gli allarmi. Gli è stata fornita anche una cronologia dello stato dell'errore nel tempo. Alimentando il sistema con questo contesto dettagliato, l'IA ha imparato a riconoscere modelli complessi di errori che i metodi più vecchi non vedevano. Ha imparato a distinguere tra un singolo glitch di misurazione e una catena di errori che si diffonde attraverso il chip, permettendogli di prendere decisioni migliori su come correggere il computer.

Lo studio ha anche evidenziato un limite fondamentale dell'approccio precedente. Elaborando l'intera griglia, i decoder precedenti erano costretti a trattare le direzioni orizzontale e verticale della mappa di errore come problemi separati. Tuttavia, nel mondo quantistico, certi tipi di errori influenzano entrambe le direzioni contemporaneamente. Il nuovo decoder, guardando la sequenza di tutti gli errori insieme, è stato in grado di vedere naturalmente queste connessioni. Ciò gli ha permesso di risolvere problemi che i vecchi metodi separati non potevano affrontare, portando alla significativa riduzione dei tassi di errore osservata nei test.

Sebbene il sistema non sia ancora abbastanza veloce da funzionare in tempo reale sui più rapidi computer quantistici superconduttori, che operano su un ciclo di un microsecondo, rappresenta un enorme passo avanti. I ricercatori hanno osservato che la versione attuale elabora i dati in lotti (batch), il che aggiunge un piccolo ritardo. Tuttavia, la logica sottostante è così efficiente che una versione futura, progettata per trasmettere i dati man mano che arrivano, potrebbe potenzialmente raggiungere le velocità necessari per la correzione in tempo reale. Il fatto che questo livello di prestazione sia stato raggiunto su una scheda grafica standard suggerisce che la barriera all'ingresso per un'alta qualità della correzione degli errori quantistici sia più bassa di quanto precedentemente pensato.

Il lavoro dimostra che la scarsità intrinseca degli errori quantistici è una caratteristica, non un difetto. Progettando un'architettura che rispetti questa scarsità, i ricercatori hanno trovato una via per la decodifica che è sia più veloce che più accurata. Lo studio smentisce l'idea che l'elaborazione dell'intera griglia densa di dati sia necessaria per un'alta accuratezza, mostrando invece che concentrarsi sui difetti attivi è una strategia superiore. Mentre l'hardware quantistico continua a migliorare e a crescere, la capacità di decodificare gli errori in modo rapido ed efficiente sarà la chiave per sbloccare il pieno potenziale di queste macchine. Questo nuovo decoder fornisce un percorso chiaro e pratico verso quel futuro, provando che a volte il modo migliore per risolvere un problema complesso è ignorare tutto ciò che non è rotto.