Spiking neural networks for streaming qubit readout

量子コンピュータは、新しい薬の設計から複雑な材料のシミュレーションに至るまで、現在の最も強力なスーパーコンピュータでさえ不可能な問題を解決する可能性を秘めています。しかし、これらのマシンは非常に壊れやすいものです。機能するためには、極めて繊細なバランスの状態に保たれなければならず、わずかな乱れでも情報の消失を招く可能性があります。量子コンピュータを稼働させ続けるために、科学者はその個々の構成要素、すなわち「量子ビット（qubit）」の状態を常に確認し、判明した内容に基づいて迅速な調整を行わなければなりません。この、量子ビットの状態を確認する、あるいは「読み出す（read out）」というプロセスは、単なる最終ステップではありません。それは、マシンと科学者の間で行われる、継続的で極めて重要な対話なのです。もし読み出しが遅すぎたり不正確であったりすると、コンピュータは間に合ってエラーを修正することができず、計算は失敗してしまいます。長年、科学者はこれらの信号を解釈するために標準的な手法に頼ってきましたが、量子マシンがより大規模かつ複雑になるにつれ、これら旧来のツールは、データの乱雑でリアルタイムな性質を扱うには、あまりにも遅く、硬直的になりつつあります。

ある研究チームは、人間の神経系にインスパイアされた一種の「コンピュータの脳」を用いて、これらの量子信号を聴き取る新しい方法を導入しました。測定全体が終わるのを待ってから判断を下すのではなく、彼らの新しいシステムは、信号が到着するたびにそれを聞き取り、刻一刻と理解を更新していきます。この「スパイキング・ニューラルネットワーク（spiking neural networks）」を用いたアプローチにより、コンピュータは以前よりもはるかに速く意思決定を行うことが可能になり、大規模な量子コンピューティングに求められる迅速な修正を実現できる可能性があります。研究者たちはこの手法を5つの量子ビットを備えた小規模な量子プロセッサでテストし、このシステムが極めて高い精度で量子ビットの状態を識別できることを見出しました。これは、より大規模で低速なシステムと同等の性能を持ちながら、リアルタイムで動作しています。

課題は、量子コンピュータがどのように測定されるかという点から始まります。多くの研究者が使用している超伝導量子プロセッサでは、マシンを通じてマイクロ波信号を送ることで情報が読み出されます。量子ビットがある状態にあるか別の状態にあるかによって、これらの信号の周波数がわずかに変化します。現代のセットアップでは、一つのワイヤに異なる周波数を送る「周波数多重化（frequency multiplexing）」という技術を用いて、多くの量子ビットを同時に測定することがよくあります。この手法は効率的ですが、すべての量子ビットの応答が混ざり合った複雑な信号を作り出します。信号はクリーンで単純な線ではなく、量子ビット同士の相互作用や、測定中に量子ビットの状態が変化することによって歪みが生じる、ノイズを含んだ変動するトレースとなります。伝統的に、科学者は「マッチドフィルタリング（matched filtering）」と呼ばれる手法を用いて、これらのトレースを解釈してきました。この手法は、入力される信号を、その信号がどうあるべきかという完璧に計算された事前テンプレートと比較することで機能します。しかし、このアプローチには重大な欠陥があります。それは、分析を開始する前に測定の全記録が完了していなければならないという点です。この手法は、信号を静的な画像として扱っており、信号が時間の経過とともに変化することや、測定の初期段階に重要な手がかりが現れては消えていくという事実を無視しています。

この限界を克服するために、研究者たちは、人間の脳のニューロンが特定のイベントに反応して発火するように、情報の到着に応じて処理を行う、スパイキング・ニューラルネットワークと呼ばれる異なる種類の人工知能に目を向けました。データが連続的なストリームとして処理され、入力のすべてを見終えてから答えを出す標準的な人工ニューラルネットワークとは異なり、スパイキング・ニューラルネットワークは、情報の到着に合わせて処理を行うように設計されています。この新しいシステムでは、入力されるマイクロ波信号は、それぞれわずか100ナノ秒の極めて短い時間スライスに切り分けられます。各スライスが到着するたびに、ネットワークは即座にそれを処理し、内部メモリと量子ビットの状態に関する推測を更新します。これは、測定の終了を待つことはありません。これにより、システムは測定の最後まで待つのではなく、測定開始直後から意思決定を開始できるようになります。研究者たちは、このシステムをFPGA（field-programmable gate array）と呼ばれる専用ハードウェア上で動作させるように構築しました。これは、極めて低い遅延で計算を実行できるため、量子制御システムで一般的に使用されているチップの一種です。

チームは、この新しい手法を5つの量子ビットを持つ量子プロセッサでテストしました。これは、ノイズや量子ビット間の干渉といった、より大規模なマシンの複雑さを備えた、小規模ながらも現実的なベンチマークです。彼らは、スパイキング・ニューラルネットワークを、従来のマッチドフィルタ法、および全データが揃うまで待機する標準的な人工ニューラルネットワークと比較しました。結果は、スパイキング・ニューラルネットワークが非常に効果的であることを示しました。このネットワークは、すべてのデータに一度にアクセスできるはるかに大きな標準的なニューラルネットワークとほぼ同等の精度を達成しましたが、それをリアルタイムで実行しました。現在、標準となっている従来のマッチドフィルタ法は、特に量子ビットが互いに相互作用している場合や信号にノイズが多い場合に、精度が低下しました。新しいシステムは、これらの複雑なパターンを特定し、ある量子ビットの測定が他の量子ビットの状態によって混乱される際に発生するエラーを軽減することができました。

最も重要な発見の一つは、システムが意思決定を行うタイミングを制御できる能力でした。ネットワークは毎回の微小な時間スライスの後に推測を更新するため、研究者たちは、信号が明確であれば早期に停止するように、あるいは信号が曖昧であれば長く待機するように、ネットワークを訓練することができました。彼らは、トレーニングを調整することで、最終的な結果の精度を損なうことなく、測定のわずか600ナノ秒の時点で非常に正確な読み出しが可能であることを発見しました。この柔軟性は、システムが修正を適用すべきか、それともさらなる情報を待つべきかを迅速に判断しなければならない量子エラー訂正において極めて重要です。また、研究者たちは、この複雑なシステムを「量子化（quantization）」と呼ばれる簡略化された数値を用いて実行できることも実証しました。これは、精度を大きく損なうことなく、膨大な電力やメモリを必要とせずに、実際の量子コンピュータのコントローラーの限られたリソース上でシステムを動作させられることを意味します。

ハードウェアテストにより、システムがこの作業を行うのに十分な速度を備えていることが確認されました。研究者たちは、チップが各100ナノ秒のスライスデータを約31から52ナノ秒で処理できることを算出しました。これは、システムが次のデータスライスが到着する前に、計算を完了し、意思決定を更新できることを意味します。この速度は、システムが情報の流れに遅れることなく、情報の流れに追従しなければならない「ストリーミング・リードアウト（streaming readout）」において不可欠です。この研究は、このアプローチが単なる理論的な可能性ではなく、現在の技術で構築可能な実用的な解決策であることを示しました。複雑でノイズの多いデータから学習する能力と、リアルタイム処理の速度を組み合わせることで、スパイキング・ニューラルネットワークは、量子コンピュータを読み取るための新しい道を提示しています。それは、過去の遅くて硬直的な手法と、高速で適応的な未来のニーズとの間の架け橋となり、次世代の量子コンピュータが、軌道を外れないために、こうした脳にインスパイアされたシステムに依存することを示唆しています。