⚛️ quantum physics

Reducing quantum error correction overhead using soft information

Dit artikel toont aan dat het gebruik van zachte informatie (soft information) bij het decoderen van meetfouten de prestaties van kwantumelektronica aanzienlijk verbetert, waardoor de benodigde fysieke qubits voor fouttolerantie met tot 33% kunnen worden verminderd.

Oorspronkelijke auteurs: Joonas Majaniemi, Elisha S. Matekole

Gepubliceerd 2026-03-18

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Joonas Majaniemi, Elisha S. Matekole

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Deze paper in het kort: Hoe we quantumcomputers slimmer maken door "twijfel" te gebruiken

Stel je voor dat je een heel ingewikkeld raadsel probeert op te lossen, maar je hebt een team van helpers die je de antwoorden geven. Het probleem is dat deze helpers soms een beetje slaperig zijn of ruis in hun hoofd hebben. Soms zeggen ze "Ja", soms "Nee", maar vaak zijn ze niet 100% zeker.

In de wereld van quantumcomputers (de supercomputers van de toekomst) is dit precies wat er gebeurt. De "helpers" zijn de metingen van de qubits (de bouwstenen van de computer). Vroeger deden we alsof deze helpers alleen maar "Ja" of "Nee" konden zeggen. Als ze twijfelden, moesten ze een gok doen. Als ze de gok verkeerd deden, viel het hele raadsel in elkaar.

Deze paper, geschreven door onderzoekers van Riverlane, zegt: "Wacht eens, laten we die twijfel niet weggooien!"

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het probleem: De "Hard" vs. "Soft" aanpak

Stel je voor dat je een vriend belt om te vragen of het regent.

De oude manier (Hard decoding): Je vriend zegt: "Ja" of "Nee". Als hij twijfelt, zegt hij toch maar "Ja" omdat hij denkt dat het waarschijnlijk regent. Als hij het verkeerd heeft, ga jij met je paraplu naar buiten en word je nat. In quantumcomputers leidt dit tot fouten in de berekening.
De nieuwe manier (Soft decoding): Je vriend zegt: "Ik hoor het geluid van regen, maar het is niet heel hard. Ik denk voor 80% dat het regent." Hij geeft je een kans in plaats van een vast antwoord.

In deze paper gebruiken de onderzoekers die "80%" (de zachte informatie) om de computer te helpen de fouten beter te begrijpen. In plaats van blind te vertrouwen op een "Ja/Nee", kijkt de computer naar hoe zeker de meting eigenlijk is.

2. De twee soorten quantumcomputers

De onderzoekers hebben dit getest op twee populaire soorten quantumcomputers, alsof ze twee verschillende soorten auto's testen:

Superconducting qubits (De Formule 1-auto's): Deze zijn supersnel, maar ze zijn ook erg gevoelig voor ruis. Het is alsof je probeert te praten in een heel luid racecircuit.
Neutral atom qubits (De elektrische vrachtwagens): Deze zijn iets trager, maar ze zijn heel stabiel en kunnen veel dingen tegelijk doen. Ze hebben een ander soort ruisprobleem.

De paper laat zien dat voor beide types, het gebruik van die "twijfel-informatie" (soft info) wonderen doet.

3. Wat levert het op? (De magische resultaten)

Door de computer te laten luisteren naar de "twijfel" van de helpers, kunnen ze veel minder fouten maken. De resultaten zijn indrukwekkend:

Minder hardware nodig: Om hetzelfde goede resultaat te bereiken, hebben ze nu 13% tot 33% minder fysieke qubits nodig.
- De analogie: Stel je voor dat je een muur moet bouwen. Vroeger had je 100 bakstenen nodig om hem stevig genoeg te maken. Nu, omdat je slimmer bouwt (door de twijfel te gebruiken), heb je er maar 70 nodig. Dat bespaart enorm veel ruimte en geld!
Snellere metingen: Je kunt de metingen sneller doen zonder dat de kwaliteit daalt.
- De analogie: Normaal moet je wachten tot je vriend heel zeker is voordat hij antwoordt. Nu kun je hem al een antwoord laten geven terwijl hij nog twijfelt, en de computer corrigeert het later. Dat maakt het hele proces veel sneller.

4. Waarom is dit belangrijk voor de toekomst?

Quantumcomputers zijn nu nog heel groot, duur en moeilijk te bouwen. Ze hebben duizenden qubits nodig om één "betrouwbaar" stukje rekenkracht te maken.

Deze paper zegt eigenlijk: "We hoeven niet te wachten tot we perfect, foutloze qubits hebben om een grote quantumcomputer te bouwen."

Door slimme software te gebruiken die de onzekerheid van de hardware begrijpt, kunnen we al nu veel krachtigere computers bouwen met minder hardware. Het is alsof je een oude, rammelende auto hebt, maar door een slimme navigatie-app te gebruiken die rekening houdt met de slechte wegen, je toch sneller en veiliger aankomt dan met een nieuwe auto zonder die app.

Samenvatting in één zin

De onderzoekers hebben bewezen dat we quantumcomputers veel efficiënter en goedkoper kunnen maken door de computer niet alleen de "antwoorden" te geven, maar ook de "twijfel" van de metingen, waardoor we minder dure hardware nodig hebben om dezelfde kracht te bereiken.

Titel: Vermindering van de overhead voor kwantumfoutcorrectie met behulp van zachte informatie

Auteurs: Joonas Majaniemi en Elisha S. Matekole (Riverlane)
Datum: 17 maart 2026

1. Het Probleem

Kwantumfoutcorrectie (QEC) is essentieel voor het realiseren van grote, fouttolerante kwantumcomputers. Echter, imperfecte metingen vormen een veelvoorkomende foutbron die de prestaties van huidige hardware aanzienlijk beperkt.

Huidige aanpak: In standaard QEC-schema's (zoals het oppervlakcode) worden stabilisator-metingen uitgevoerd en vervolgens omgezet van een analoge naar een digitale (binair) representatie (0 of 1) voordat deze naar een klassieke decoder worden gestuurd.
De beperking: Dit binaire classificatieproces is suboptimaal omdat het waardevolle informatie over het meetproces verworpt. Door de analoge signaalsterkte te negeren, gaat informatie verloren die kan worden gebruikt om de nauwkeurigheid van de decodering te verbeteren.
De uitdaging: Bestaande "zachte" (soft) decoderingstechnieken hebben vaak te veel rekentijd vereist tijdens runtime, wat ze incompatibel maakt met real-time toepassingen die nodig zijn voor toekomstige schaalbare systemen. Er is onduidelijkheid of deze voordelen zich vertalen naar verschillende qubit-platforms (supergeleidend vs. neutrale atomen) en andere foutcorrectiecodes.

2. Methodologie

De auteurs modelleren en simuleren het gebruik van zachte informatie (soft information) – de waarschijnlijkheid dat een meetuitkomst voortkomt uit de toestand $|0\rangle$ of $|1\rangle$ – in plaats van alleen het harde binaire resultaat.

Soft Measurement Model:
- Het meetresultaat $\mu$ wordt behandeld als een stochastische variabele met kansdichtheidsfuncties voor de $|0\rangle$ - en $|1\rangle$ -toestanden.
- De decoder berekent de achterwaartse waarschijnlijkheid $P(1|\mu)$ (posterior probability).
- Voor supergeleidende qubits wordt een Gaussische verdeling gebruikt (dispersieve verschuiving).
- Voor neutrale atomen wordt een Poisson-verdeling gebruikt (fotonentelling via fluorescentie).
- Deze waarschijnlijkheid wordt gekwantiseerd tot een 8-bit unsigned integer om de doorvoer te maximaliseren.
Decoder Architecturen:
De auteurs integreren zachte informatie in twee real-time decoderarchitecturen:
1. Local Clustering Decoder (LCD): Gebruikt voor oppervlakcodes (Surface Codes). LCD is geoptimaliseerd voor hoge doorvoer en kan snel grafen aanpassen op basis van zachte informatie.
2. Belief Propagation (BP) met OSD: Gebruikt voor Bivariate Bicycle (BB) codes (LDPC-codes). BP wordt aangepast om zachte informatie direct in de a priori-kansen (priors) van de Tanner-graf te integreren zonder extra virtuele knopen toe te voegen.
Simulatie-omgeving:
- Gebruik van de Stim-simulator voor circuit-niveau ruismodellen.
- Platformen: Supergeleidende transmon-qubits (Google Quantum AI SI1000 model) en Neutrale atomen (Z-bias ruismodel).
- Ruisregimes: Twee scenario's voor meetfouten:
  - LF (Low Frequency): Zacht flip-probabiliteit $p_S$ gelijk aan gate-fouten ( $p_S = p$ ).
  - HF (High Frequency): Zacht flip-probabiliteit is significant hoger dan gate-fouten ( $p_S = 5p$ ), wat realistischer is voor huidige hardware.

3. Belangrijkste Bijdragen

Real-time Implementatie: Het succesvol integreren van zachte informatie in snelle, real-time decoders (LCD en BP) die geschikt zijn voor toekomstige grote schaal systemen, in tegenstelling tot eerdere methoden die te traag waren.
Platform-onafhankelijkheid: Het aantonen dat de voordelen van zachte informatie gelden voor zowel supergeleidende qubits als neutrale atomen, en voor zowel oppervlakcodes als geavanceerde LDPC-codes (BB-codes).
Metingstijd-optimalisatie: Het aantonen dat zachte informatie het mogelijk maakt om de meettijd ( $\tau_M$ ) te verkorten zonder verlies aan logische fideliteit, wat de QEC-cyclus versnelt.
Resource-besparing: Kwantificering van de reductie in het aantal benodigde fysieke qubits om een bepaalde logische foutkans te bereiken.

4. Resultaten

De simulaties tonen consistente verbeteringen in foutonderdrukking ( $\Lambda$ -factor) en een reductie in hardware-omvang:

Oppervlakcodes (LCD):
- Supergeleidend: In het HF-regime ( $p_S = 5p$ ) levert zachte decoding een 11% hogere foutonderdrukking op. Dit vertaalt zich naar een 13% reductie in het aantal fysieke qubits om een logische foutkans van $10^{-6}$ te bereiken.
- Neutrale Atomen: In het HF-regime is de verbetering 20%, wat leidt tot een 33% reductie in het fysieke qubit-footprint.
- Opmerking: In het LF-regime (waar meetfouten verwaarloosbaar zijn t.o.v. gate-fouten) is het voordeel minimaal.
Bivariate Bicycle Codes (BP+OSD):
- Voor BB-codes (zoals de Gross code [[144, 12, 12]]) reduceert zachte informatie de logische foutkans met een orde van grootte (factor 10 tot 80, afhankelijk van de afstand en het platform) vergeleken met harde decoding.
- Dit is cruciaal omdat LDPC-codes beloven veel efficiënter te zijn dan oppervlakcodes, maar zeer gevoelig zijn voor meetfouten.
Metingstijd:
- Door zachte informatie te gebruiken, kan de meettijd voor supergeleidend qubits met 55% en voor neutrale atomen met 40% worden verkort zonder verlies aan prestaties. Dit versnelt de QEC-cyclus en vermindert idling-fouten.

5. Betekenis en Conclusie

Dit werk demonstreert dat zachte informatie een krachtig instrument is om de kosten en complexiteit van grote, fouttolerante kwantumcomputers te verlagen.

Kostenefficiëntie: De reductie in het aantal fysieke qubits (tot 33%) is een aanzienlijke stap in de richting van haalbare commerciële kwantumcomputers, aangezien de huidige overhead vaak prohibitief groot is.
Snelheid: De mogelijkheid om kortere meettijden te gebruiken zonder prestatieverlies, maakt snellere QEC-cycli mogelijk, wat essentieel is voor real-time foutcorrectie.
Toekomstperspectief: De resultaten onderstrepen dat het verbeteren van klassieke decoders (via zachte informatie) een "short cut" kan zijn naar betere prestaties, zelfs voordat de fysieke qubit-kwaliteit perfect is. Dit is vooral relevant voor experimentatoren die nu al kunnen werken met imperfecte meetdata, zolang de decoder maar slim genoeg is om die onzekerheid te verwerken.

Samenvattend biedt dit onderzoek een bewezen pad om de drempel voor praktische kwantumvoordeel te verlagen door de klassieke verwerking van meetdata te optimaliseren, waardoor minder fysieke hardware nodig is voor dezelfde rekenkracht.