Quantum computing belooft problemen op te lossen die onmogelijk zijn voor de huidige supercomputers, van het ontwerpen van nieuwe medicijnen tot het modelleren van complexe chemische reacties. De machines die deze belofte inhouden, zijn echter momenteel fragiel. De minuscule deeltjes die ze gebruiken om informatie op te slaan, genaamd qubits, worden gemakkelijk verstoord door warmte, trillingen of zelfs rondtrekkende elektromagnetische golven. Deze verstoring, bekend als ruis, zorgt ervoor dat de computer fouten maakt. Om een bruikbaar antwoord te krijgen, voert wetenschappers niet zoma aan een enkele berekening; ze voeren een complexe sequentie van stappen uit. Ze bereiden de berekening voor, sturen deze naar de quantummachine, wachten op het resultaat en gebruiken vervolgens een krachtige klassieke computer om de fouten op te schonen en de gegevens te interpreteren. Dit heen-en-weer proces wordt een pipeline genoemd. Jarenlang hebben onderzoekers elke stap in deze pipeline behandeld als een afzonderlijke, statische taak, uitgaande van het idee dat als ze de parameters aan het begin correct instellen, de taak soepel zou verlopen. Maar naarmate deze machines groter en complexer zijn geworden, is deze aanname begonnen te falen. De quantumhardware verandert haar gedrag van minuut tot minuut, en de klassieke stappen die nodig zijn om fouten te herstellen, variëren enorm in hoeveel tijd en geheugen ze nodig hebben.

Een team van onderzoekers aan de University of Illinois Urbana-Champaign en IBM Research heeft een nieuw systeem gebouwd om deze complexiteit te beheren, genaamd LLQM. In plaats van een quantumjob te behandelen als één onveranderlijk blok werk, breekt LLQM het af in kleine, individuele taken en houdt ze nauwlettend in de gaten terwijl ze plaatsvinden. Het systeem fungeert als een continue waarnemer, die meet hoeveel vermogen, geheugen en tijd elke kleine stap verbruikt, terwijl het tegelijkertijd de veranderende gezondheid van de quantumhardware bijhoudt. Deze aanpak onthulde dat de oude manier van plannen onvoldoende is. De onderzoekers ontdekten dat de beste manier om fouten te herstellen volledig afhangt van het specifieke moment waarop de berekening wordt uitgevoerd. Een techniek die perfect werkt op een kalme dag, kan volledig falen wanneer de hardware iets ruiziger is, en een methode die snel is voor het ene type probleem, kan honderden keren langer duren voor een ander type probleem.

Het team heeft hun systeem getest op echte quantumprocessors met tot 156 qubits, waarbij berekeningen werden uitgevoerd die miljoenen operaties omvatten. Ze ontdekten dat de klassieke computer, die de foutcorrectie afhandelt, vaak de bottleneck vormt, en niet de quantummachine zelf. In sommige gevallen besteedde de klassieke computer 92 procent van de totale tijd simpelweg wachtend in een lus op het voltooien van de quantummachine, terwijl hij op andere momenten urenlang intensief werkte om de resultaten te verwerken. De onderzoekers ontdekten ook dat de keuze welke fysieke qubits op de chip worden gebruikt belangrijker is dan voorheen werd aangenomen. Het selecteren van een licht verslechterde set qubits kon ervoor zorgen dat de nauwkeurigheid van het resultaat naar bijna nul zakte, of het systeem dwingen om bijna twee keer zoveel tijd op de quantummachine door te brengen om hetzelfde resultaat te bereiken. Dit zijn geen kleine variaties; het zijn fundamentele verschuivingen die bepalen of een berekening slaagt of faalt.

Een van de meest opvallende bevindingen was dat er niet één enkele "beste" manier is om fouten te corrigeren. De onderzoekers testten verschillende technieken voor foutmitigatie, wat methoden zijn die worden gebruikt om te raden wat het juiste antwoord zou moeten zijn ondanks de ruis. Ze ontdekten dat een techniek genaamd Probabilistic Error Cancellation, die krachtig is voor kleine circuits, de nauwkeurigheid van grote circuits juist slechter kan maken en het resultaat kan vernietigen. Daarentegen werkte een andere techniek, genaamd Zero-Noise Extrapolation, consistent goed over veel verschillende soorten problemen. Echter, zelfs de beste techniek kon falen als de hardware van staat veranderde tijdens de lange tijd die nodig was om de berekening uit te voeren. Het systeem toonde aan dat de kosten van het uitvoeren van deze correcties niet vaststaan; het hangt af van de grootte van het probleem, het specifieke type berekening en de realtime conditie van de machine.

Het nieuwe systeem, LLQM, pakt dit aan door een feedbackloop te creëren. Het stelt niet alleen een plan op en hoopt dan op het beste. In plaats daarvan controleert het constant de resultaten. Als het systeem detecteert dat de nauwkeurigheid onder een vereist niveau zakt, kan het het huidige plan stoppen en opnieuw beginnen met een andere configuratie. Het kan overschakelen naar een andere foutcorrectiemethode, een andere set qubits kiezen, of aanpassen hoe vaak de berekening wordt herhaald. Dit gebeurt in realtime, waardoor het systeem kan aanpassen aan het drijvende gedrag van de quantumhardware. De onderzoekers hebben aangetoond dat ze door deze dynamische aanpassingen te maken, kunnen voorkomen dat middelen worden verspild aan plannen die gedoemd zijn te mislukken en in plaats daarvan het meest efficiënte pad naar een correct antwoord voor elke specifieke job kunnen vinden.

De studie benadrukte ook dat het aantal qubits waarover een machine beschikt niet de beste manier is om te voorspellen hoe lang een job zal duren of hoe nauwkeurig het zal zijn. In plaats daarvan is het totale aantal operaties, of gates, in de berekening de werkelijke drijfveer voor kosten en kwaliteit. Een berekening met minder qubits maar veel operaties kan langer duren en minder nauwkeurig zijn dan een berekening met veel qubits maar minder operaties. Dit onderscheid is cruciaal voor de planning, aangezien het betekent dat het simpelweg tellen van het aantal deeltjes in de machine niet het hele verhaal vertelt. De onderzoekers toonden aan dat door zich te richten op de werkelijke operaties en de realtime staat van de hardware, ze een veel nauwkeuriger model konden bouwen van wat een job zal kosten en hoe lang deze zal duren.

Dit werk suggereert dat de toekomst van quantum computing ligt in systemen die zich bewust zijn van hun eigen omgeving. Net zoals een bestuurder de snelheid aanpast op basis van de wegcondities, moet een quantum systeem zijn strategie aanpassen op basis van de ruis en het gedrag van de machine. De onderzoekers ontdekten dat zonder dit continue bewustzijn, zelfs de meest geavanceerde quantumcomputers moeite zullen hebben om betrouwbare resultaten te produceren. Het nieuwe framework biedt de instrumenten om deze aanpassingen automatisch te maken, waardoor het een fragiel, onvoorspelbaar proces verandert in iets dat beheerd en geoptimaliseerd kan worden. Het beweegt het veld weg van het behandelen van quantumjobs als statische recepten en naar het behandelen van hen als levende systemen die van begin tot eind geobserveerd en begeleid moeten worden.

De implicaties van dit onderzoek strekken zich uit tot voorbij alleen het oplossen van fouten. Het verandert hoe wetenschappers denken over de relatie tussen de quantummachine en de klassieke computer die deze ondersteunt. Ze zijn geen afzonderlijke entiteiten die in isolatie werken; ze zijn diep met elkaar verweven, waarbij beslissingen in het ene deel van het systeem de andere op complexe wijze beïnvloeden. De studie laat zien dat het optimaliseren van één deel zonder rekening te houden met het geheel leidt tot verspilde tijd en geld. Door de job op te splitsen in de kleinste delen en ze allemaal samen te volgen, hebben de onderzoekers een nieuwe manier ontdekt om naar efficiëntie te kijken. Ze hebben aangetoond dat de weg naar nuttige quantum computing niet alleen gaat over het bouwen van grotere machines, maar over het bouwen van intelligentere systemen die kunnen begrijpen en zich kunnen aanpassen aan de machines waarop ze draaien.

De onderzoekers werken er nu aan om dit systeem beschikbaar te stellen aan anderen als een open-source project, zodat de bredere gemeenschap deze ideeën kan testen en verbeteren. Zij geloven dat naarmate de quantumtechnologie blijft evolueren, het vermogen om deze pipelines continu te profileren en te optimaliseren essentieel zal worden. Het doel is om een toekomst te creëren waarin de complexiteit van de hardware verborgen blijft voor de gebruiker, en het systeem automatisch de beste manier vindt om elke berekening uit te voeren, ongeacht hoe de machine die dag functioneert. Deze verschuiving van statische planning naar dynamische adaptatie vertegenwoordigt een belangrijke stap voorwaarts in het praktisch maken van quantum computing.