⚛️ quantum physics

Learning error suppression strategies for dynamic quantum circuits

Deze studie introduceert een empirisch leerframework dat dynamische decoupling-sequenties optimaliseert voor dynamische quantumcircuits, wat leidt tot een drievoudige reductie van fouten en een verbeterde uitvoering van complexe algoritmen zoals de quantum Fourier-transformatie.

Oorspronkelijke auteurs: Christopher Tong, Liran Shirizly, Edward H. Chen, Derek S. Wang, Bibek Pokharel

Gepubliceerd 2026-04-22

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Christopher Tong, Liran Shirizly, Edward H. Chen, Derek S. Wang, Bibek Pokharel

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

Hoe we "slimme stilte" vinden om kwantumcomputers te beschermen

Stel je een kwantumcomputer voor als een enorm drukke orkestzaal. De muzikanten (de qubits) spelen prachtige, complexe symfonieën (berekeningen). Maar er is een groot probleem: soms moet de dirigent (de computer) halverwege het stuk een paar muzikanten laten stoppen om te luisteren of ze nog in toon zijn (meten).

In een gewone computer is dat geen probleem. Maar in een kwantumcomputer is dat als een schreeuw in een bibliotheek. Als je één muzikant laat stoppen om te meten, trilt de hele zaal. De andere muzikanten die juist stil moeten blijven (om hun toonhoogte vast te houden), raken in de war door die trillingen. Ze beginnen vals te spelen, en de hele symfonie wordt een puinhoop. Dit noemen we "meetfouten".

Het oude probleem: De "Eén-maat-voor-Allen" oplossing

Vroeger probeerden wetenschappers dit op te lossen met een simpele truc: ze gaven iedereen in de zaal een standaard ritme om op te tikken (een "dynamische koppeling" of DD-sequentie). Het idee was: als we allemaal even hard op de tafel tikken, dan verdwijnt de ruis van de schreeuw.

Het probleem? Niet iedereen zit even ver van de schreeuwer af. De muzikant direct naast de meting krijgt een enorme schok, terwijl degene aan de andere kant van de zaal nauwelijks iets merkt. Een standaard ritme werkt voor niemand perfect. Het is alsof je probeert een klap op te vangen met een deken die overal even dik is, terwijl je eigenlijk een speciaal kussen nodig hebt op de plek waar je geraakt wordt.

De nieuwe oplossing: Leer van de chaos

In dit paper hebben de onderzoekers een slimme, nieuwe aanpak bedacht. In plaats van te proberen de perfecte ritme uit te rekenen (wat onmogelijk is omdat elke computer en elke meting anders is), laten ze de computer het ritme leren.

Hier is hoe het werkt, in drie simpele stappen:

De Zaal in Kamers verdelen: Ze kijken niet naar de hele zaal tegelijk. Ze verdelen de zaal in kleine kamers (subregisters) en kijken naar specifieke momenten in de tijd. Ze zeggen: "Oké, in kamer 1, op tijdstip 3, wat gebeurt er precies met de muzikant die naast de meting zit?"
Het Genetische Experiment: Ze laten een computerprogramma (een soort digitale evolutionist) duizenden verschillende ritmes uitproberen in die kleine kamers.
- Probeer ritme A: De muzikant valt nog steeds uit toon.
- Probeer ritme B: De muzikant blijft iets langer in toon.
- Probeer ritme C: Perfect! De muzikant blijft volledig stabiel.
  Het programma pakt de winnaars, laat ze "kruisen" (nieuwe ritmes maken) en probeert het opnieuw. Na een paar rondes hebben ze een ritme dat exact past bij de specifieke trillingen van die ene kamer op dat ene moment.
De Slimme Toepassing: Vervolgens passen ze deze gepersonaliseerde ritmes toe op de echte grote symfonie. De muzikant die ver weg zit krijgt een ander ritje dan degene die dichtbij zit.

Wat hebben ze bereikt?

Het resultaat is verbazingwekkend:

Drie keer minder fouten: Door deze "geleerde ritmes" te gebruiken, vallen de fouten met een factor drie terug.
Grotere symfonieën: Vroeger kon je alleen korte stukjes spelen voordat de muziek te rommelig werd. Nu kunnen ze veel langere en complexere stukken spelen (zoals de "Kwantum Fourier Transformatie", een soort magische manier om patronen in data te vinden) zonder dat het geluid verwaait.
De "Spook" test: Ze hebben dit zelfs getest met een heel kwetsbare toestand, een "GHZ-toestand". Dit is als een groep muzikanten die perfect synchroon moeten ademen. Als één iemand ademt, moeten ze dat allemaal voelen. Zonder de nieuwe methode was de ademhaling al na een paar tellen verstoord. Met de nieuwe methode hielden ze de ademhaling perfect synchroon, zelfs bij 20 muzikanten.

Waarom is dit belangrijk?

Dit is een grote stap richting de toekomst. Om kwantumcomputers echt bruikbaar te maken (voor bijvoorbeeld het ontwerpen van nieuwe medicijnen of het breken van versleuteling), moeten ze fouten kunnen corrigeren. En dat vereist constant meten en bijsturen.

De boodschap van dit paper is simpel: Stop met proberen alles te voorspellen met formules. Laat de computer zelf leren wat er gebeurt, en pas de oplossing lokaal en slim aan. Het is het verschil tussen een stijve, standaard jas dragen in de winter, en een jas die zich aanpast aan elke windvlaag die je treft.

Kortom: Ze hebben een manier gevonden om de "ruis" van het meten te temmen, zodat de kwantumcomputer eindelijk kan zingen zoals hij bedoeld is.

Titel: Leren van onderdrukkingsstrategieën voor fouten in dynamische quantumcircuits

Auteurs: Christopher Tong, Liran Shirizly, Edward H. Chen, Derek S. Wang, en Bibek Pokharel.
Affiliaties: MIT, IBM Quantum (Watson Research Center & Research Triangle Park).

1. Het Probleem

Dynamische quantumcircuits integreren unitaire evolutie met metingen halverwege de schakeling (Mid-Circuit Measurements, MCM) en feedforward (FF) van meetresultaten. Dit is essentieel voor fouttolerante quantumrekening en efficiënte algoritmen. Echter, deze operaties introduceren nieuwe foutbronnen die niet worden aangepakt door conventionele onderdrukkingsmethoden:

Decoherentie van inactieve qubits: Tijdens de langere duur van MCM's (in vergelijking met unitaire poorten) zijn inactieve qubits vatbaar voor decoherentie.
Gecoördineerde fouten: Het meetproces veroorzaakt coherentie-fouten en crosstalk (kruisvervuiling) op naburige qubits. Deze fouten zijn ruimtelijk gestructureerd en afhankelijk van welke specifieke qubit wordt gemeten.
Beperkingen van bestaande methoden: Traditionele Dynamical Decoupling (DD) sequenties zijn vaak theoretisch afgeleid en lokaal vastgezet. Ze kunnen niet dynamisch worden afgestemd op de complexe, qubit-specifieke en tijdsafhankelijke ruisomgeving die ontstaat door MCM's. Theoretische sequenties (zoals MDD en FFDD) slagen er niet in om zowel de "altijd-aan" crosstalk als de meet-geïnduceerde fouten volledig te onderdrukken.

2. Methodologie: Empirisch Leren met GADD

De auteurs stellen een empirisch leerframework voor dat DD-sequenties optimaliseert op basis van hardware-data in plaats van theoretische modellen. De kern van de aanpak is het GADD (Genetic Algorithm for Dynamical Decoupling) framework, uitgebreid voor dynamische circuits.

Ruimtelijk-tijdpatronen (Motifs): In plaats van het hele circuit als één geheel te behandelen, wordt het circuit opgesplitst in "motieven" (subcircuits). Deze motieven worden gedefinieerd door het combineren van tijdsintervallen ( $T_i$ ) en qubit-register subgroepen ( $R_j$ ) die corresponderen met de topologie van individuele meetoperaties.
Genetisch Algoritme: Een klassieke computer gebruikt een genetisch algoritme om DD-sequenties te optimaliseren.
- Populatie: Een set van mogelijke DD-sequenties (bestaande uit pulsen zoals $X, Y, Z$ en identity).
- Fitnessfunctie: De "nut" (utility) wordt bepaald door de uitvoering van training circuits op de quantumhardware (IBM Eagle/kyiv). De sequenties die de beste uitkomstverdeling opleveren (dichtst bij de theoretische verdeling), worden geselecteerd.
- Iteratie: Het algoritme selecteert, kruist en muteert sequenties over meerdere iteraties totdat convergentie wordt bereikt.
Parallelle Optimalisatie: Omdat de fouten lokaal zijn, kunnen verschillende motieven parallel worden geoptimaliseerd, wat de schaalbaarheid vergroot.
Hardware-implementatie: De methode houdt rekening met beperkingen zoals eindige pulsbreedtes en de timing van feedforward. Specifieke "constrained" sequenties worden gebruikt voor qubits waar frequentie-kolliies optreden om de leerprocessen niet te verstoren.

3. Belangrijkste Bijdragen

Framework voor Empirisch Leren: Een schaalbaar protocol om DD-sequenties te leren die specifiek zijn afgestemd op de meet-geïnduceerde ruis in dynamische circuits, zonder volledige proces-tomografie of gedetailleerde ruismodellen te vereisen.
Motif-gebaseerde Architectuur: De introductie van een spatiotemporale partitionering die het mogelijk maakt om DD-sequenties te fine-tunen op de lokale ruisomgeving van specifieke meetoperaties.
Validatie op Schaal: Demonstratie van de methode op een 20-qubit keten en toepassing op complexe algoritmen (QFT+M) en verstrengelde toestanden (GHZ).

4. Resultaten

De auteurs hebben de methode getest op de IBM ibm_kyiv processor (Eagle-supergeleidende qubits) met de volgende resultaten:

Foutreductie:
- Via Randomized Benchmarking (MCM-RB en DC-RB) werd een driefoudige reductie bereikt in de gemiddelde foutpercentages van dynamische circuits.
- De empirisch geleerde sequenties (GADD) presteerden systematisch beter dan theoretisch afgeleide sequenties (MDD en FFDD) en naieve strategieën (zoals $X_pX_m$ ).
- Specifiek voor de $Z_{c1}$ en $I_{c1}$ blokken in DC-RB: GADD verlaagde de fout per laag (EPL) van ~0.12 (zonder DD) naar ~0.068, terwijl theoretische methoden rond de 0.09-0.11 bleven.
Toepassing op Quantum Fourier Transform (QFT+M):
- Op een 1D-keten van 20 qubits behaalde GADD een procesfideliteit ( $F_{proc}$ ) van $\geq 1\%$ tot $N=16$ qubits.
- Zonder DD of met naieve DD daalde de fideliteit al bij $N=8$ of $N=10$ onder de 1%.
- GADD maakte het mogelijk om QFT+M uit te voeren op verbonden qubitregisters (niet alleen losse qubits), wat essentieel is voor praktische algoritmen.
GHZ-toestanden en Signaal-Ruisverhouding:
- Bij het toepassen van QFT+M op een verstrengelde 10-qubit GHZ-toestand, bereikte GADD een signaal-ruisverhouding (SNR) van 15-20.
- Dit is een factor 3-4 hoger dan met naieve DD-strategieën.
- De resultaten toonden scherpe, theoretisch voorspelde interferentiepieken, wat aantoont dat de veeldeeltjes-coherentie behouden bleef ondanks de dynamische metingen.

5. Betekenis en Conclusie

Dit werk bewijst dat empirisch geoptimaliseerde Dynamical Decoupling een praktische en schaalbare strategie is voor het onderdrukken van meet-geïnduceerde fouten in dynamische quantumcircuits.

Superioriteit boven theorie: De resultaten tonen aan dat theoretisch afgeleide sequenties tekortschieten in de complexe, gecoördineerde ruisomgeving van moderne quantumprocessors. Leren direct van de hardware is effectiever.
Vooruitgang naar Fouttolerantie: De methode is platform-onafhankelijk en vereist geen uitgebreide kalibratie, wat het direct toepasbaar maakt voor toekomstige toepassingen zoals quantumfoutcorrectie (QEC) en adaptieve algoritmen.
Schaalbaarheid: Door het gebruik van motieven en parallelle leerprocessen, is de aanpak geschikt voor grotere circuits, een noodzakelijke stap naar nuttige quantumrekening.

Samenvattend biedt deze studie een robuust pad om de prestaties van dynamische quantumcircuits aanzienlijk te verbeteren, waardoor complexere algoritmen en fouttolerante protocollen haalbaarder worden.