Lifting: Quantum State Discrimination Framework for Mid-Circuit Measurements

量子コンピュータは、古典的なマシンが数千年もかかる問題を解決することを約束していますが、それらは非常に壊れやすいものです。機能するためには、複雑な一連の操作を実行しながら、常にエラーをチェックし続けなければなりません。このプロセスの重要な部分は、計算全体を破壊することなく、計算の途中で量子ビット（qubit）を測定できる能力です。これは「回路中測定（mid-circuit measurement）」として知られています。量子ビットを測定すると、微弱なマイクロ波信号が発生し、その信号を解釈して、量子ビットがゼロの状態にあるか、あるいは一の状態にあるかを判断しなければなりません。しかし、今日使用されている超伝導チップでは、この信号はしばなるノイズが多く、歪んでいます。計算が進み、量子ビットの測定が繰り返されるにつれて、ハードウェアの物理的な状態が劣化し、信号の読み取りはさらに困難になります。もしコンピュータが信号を誤解釈してしまうと、誤った修正を適用してしまう可能性があり、それが計算全体の失敗を引き起こします。

研究者たちは、乱れたデータの中からパターンを見つけ出すのが得意な人工知能、具体的にはニューラルネットワークを用いて、この読み取りプロセスを改善しようとしてきました。しかし、単一の量子ビットからの信号のみを見ている場合、これらのネットワークがどれほど優れた性能を発揮できるかには、明確な限界があります。もしノイズによってゼロと一の信号が重なりすぎてしまうと、いくらソフトウェアのトレーニングを行っても、それらを確実に区別することはできません。さらに、計算が始まる前にコンピュータに信号の読み方を教える標準的なキャリブレーション手法は、長く複雑な計算が行われている最中の現実と一致しないことがよくあります。回路が実行されるにつれて信号は変化するため、ソフトウェアは古い情報に基づいてトレーニングされてしまうのです。

これらの障害を克服するために、インディアナ大学とローレンス・バークレー国立研究所の研究チームは、「Lifting」と呼ばれる新しいフレームワークを開発しました。Liftingは、単一の量子ビットの読み取りを完璧にしようとするのではなく、情報の集め方を変える手法です。ターゲットとなる量子ビットを測定する前に、システムはその量子ビットを一つまたは複数のヘルパー量子ビットに一時的に結合させます。これにより、同じ状態を共有する量子ビットのグループが作成されます。システムは次に、これらすべてを全く同時に測定し、ターゲットとそのヘルパーを含む結合された信号を捉えます。個別の孤立した信号ではなく、この共同の全体像を見ることで、システムは追加の情報を得ることができ、たとえノイズが多くてもゼロと一の状態を分離するのに役立ちます。

研究者たちは、このアプローチを3種類の異なるIBM量子プロセッサでテストしました。その結果、単にヘルパー量子ビットを追加してそれらを一緒に測定するだけで、状態間の混乱が大幅に減少することがわかりました。しかし、チームはトレーニングのタイミングもハードウェアと同じくらい重要であることを発見しました。彼らは、回路が実際に動作している間に読み取りソフトウェアを校正する方法を作り出し、コンピュータが実際のタスク中に直面するのと全く同じ条件下で信号を解釈できるようにしました。この「in situ（現場での）」キャリブレーションは、計算が進むにつれてハードウェアがどのように変化するかを考慮に入れたものです。

研究者たちが、この結合測定技術とリアルタイムのキャリブレーションを組み合わせたとき、結果は多大なものとなりました。繰り返しの測定を含むテストにおいて、古いキャリブレーション手法に依存した標準的なシステムは、タスクを正しく完了できたのは約54パーセントだけでした。結合信号とリアルタイム・トレーニングを用いた新しいLiftingフレームワークは、最も曖昧な結果を除外した場合、成功率をほぼ62パーセントまで引き上げました。エラー訂正やデータ・テレポーテーションを含む他のテストにおいても、新しい手法は標準的なアプローチを一貫して上回りました。この研究は、量子コンピュータを読み取る最善の方法は、単により優れたデコーダーを作ることではなく、利用可能な情報を変え、かつ、それが遭遇するであろうのと同じ条件を用いて教えることであると示唆しています。このアプローチは、全く新しいハードウェアを必要とせずに、量子コンピュータをより信頼性の高いものにするための実用的な道筋を提供しています。