Kwantumcomputers beloven problemen op te lossen die onmogelijk zijn voor de huidige machines, maar ze zijn berucht fragiel. De minuscule deeltjes die informatie dragen, qubits genoemd, worden gemakkelijk verstoord door hun omgeving, wat fouten veroorzaakt die een berekening kunnen ruïneren. Om deze machines bruikbaar te maken, moeten wetenschappers eerst precies begrijpen hoe ze zich gedragen. Dit vereist een proces dat karakterisering wordt genoemd: het meten van de output van de machine en het terugrekenen om te achterhalen wat er binnenin gebeurt. Het is een beetje alsof men probeert de interne werking van een complexe klok te begrijpen door alleen naar de wijzers te kijken, maar dan met een twist. In de kwantumwereld wordt de wiskunde die nodig is om de tandwielen van de klok terug te ontwerpen zo overweldigend complex dat het effectief onmogelijk is om iets op te lossen voor meer dan de kleinste apparaten. Naarmate deze machines groeien naar honderden qubits, stuiten de traditionele methoden voor het begrijpen van hun gedrag op een muur, waardoor onderzoekers achterblijven met krachtige hardware die ze niet volledig kunnen vertrouwen of afstemmen.

Een team van onderzoekers heeft een nieuwe manier ontwikkeld om door deze muur heen te breken, waarbij ze een probleem dat ooit computationeel onmogelijk was, veranderden in een beheersbare taak. In plaats van te proberen de complexe wiskundige vergelijkingen direct op te lossen, leerden ze een computer de relatie tussen de instellingen van een kwantummachine en de resulten te begrijpen door miljoenen gesimuleerde voorbeelden te observeren. Deze aanpak, die zij simulation-based inference noemen, stelt hen in staat om een digitaal model te bouwen dat onmiddellijk de verborgen oorzaken kan raden van elke meting die een echte kwantumcomputer produceert. De onderzoekers demonstreerden deze methode op systemen van zo groot als 81 qubits, waarbij ze erin slaagden ruispatronen te identificeren, fouten te corrigeren en zelfs de fysieke posities van atomen in een gesimuleerde kwantumsimulator in kaart te brengen. Door een neuraal netwerk te trainen op gegevens gegenereerd door snelle, klassieke supercomputers, creëerden ze een hulpmiddel dat een kwantumapparaat in één stap kan analyseren, waarbij niet alleen een beste gok wordt gegeven, maar ook een duidelijk beeld van hoe zeker die gok is.

De kern van deze nieuwe methode berust op een slimme taakverdeling tussen twee soorten computerprogramma's. De eerste is een simulator, een programma dat nabootst hoe een kwantumsysteem zich onder specifieke omstandigheden zou moeten gedragen. Hoewel het simuleren van een echt kwantumsysteem moeilijk is, ontdekten de onderzoekers dat ze voor veel praktische gevallen eenvoudige klassieke algoritmen konden gebruiken om snel enorme hoeveelheden trainingsgegevens te genereren. Ze voedden deze gegevens aan het tweede programma, een neuraal netwerk dat is ontworpen om patronen te leren. Dit netwerk werd getraind om de output van de simulator te bekijken en onmiddellijk de instellingen te voorspellen die de oorzaak waren. Eenmaal getraind, fungeert dit netwerk als een universele vertaler. Wanneer een echte kwantumcomputer een meting produceert, kan het netwerk die gegevens onmiddellijk vertalen naar een waarschijnlijkheidskaart van wat er waarschijnlijk binnenin de machine gebeurt. Dit elimineert de noodzaak om voor elk nieuw experiment langzame, complexe berekeningen uit te voeren, waardoor een taak die voorheen uren of dagen duurde, wordt teruggebracht tot een kwestie van seconden.

De onderzoekers testten dit framework op vier verschillende uitdagingen, waarmee ze de veelzijdigheid ervan over verschillende soorten kwantumproblemen aantoonden. Eerst gebruikten ze het om te leren over ruis in een systeem van 50 qubits. In de kwantumcomputertechnologie verwijst ruis naar de willekeurige fouten die in berekeningen sluipen. Het team identificeerde succesvol de specifieke kansen op deze fouten voor honderden verschillende gates, de bouwstenen van kwantumcircuits. Ze ontdekten dat terwijl sommige foutbronnen gemakkelijk aan te wijzen waren, andere inherent aan elkaar gekoppeld waren op een manier die ze onmogelijk te scheiden maakte. Cruciaal was dat hun methode automatisch deze "onidentificeerbare" parameters identificeerde, waardoor onderzoekers precies zagen waar hun metingen onvoldoende waren en waar ze nauwkeuriger moesten kijken. Dit vermogen om te onderscheiden tussen wat bekend kan worden en wat niet, is een essentieel diagnostisch hulpmiddel voor het verbeteren van toekomstige experimenten.

Vervolgens paste het team hun geleerde ruismodellen toe om fouten in realtime te herstellen. Kwantumfoutmitigatie is een techniek die wordt gebruikt om ruizige gegevens op te schonen zonder dat er perfecte hardware nodig is. Door het begrip van het neurale netwerk over de ruis in standaard correctieprotocollen te voeden, waren ze in staat om nauwkeurige resultaten te verkrijgen uit ruizige simulaties. In een test met een keten van interagerende atomen verminderde hun methode de fouten met meer dan de helft vergeleken met bestaande technieken, en het bleef accuraat werken, zelfs bij het voorspellen van uitkomsten voor circuitdieptes die het nog nooit eerder had gezien. Dit suggereert dat het model de onderliggende fysica van de fouten heeft geleerd in plaats van alleen specifieke voorbeelden te memoriseren, waardoor het kan generaliseren naar nieuwe situaties.

Het framework bleek ook effectief voor kwantumtoestandsreconstructie (quantum state tomography), een proces dat wordt gebruikt om de volledige kwantumtoestand van een systeem te reconstrueren. Normaal gesproken vereist dit het vele malen meten van het systeem en het uitvoeren van zware berekeningen voor elke nieuwe toestand. De onderzoekers trainden hun neurale netwerk op een breed scala aan gesimuleerde toestanden en ontdekten dat het nieuwe, ongeziene toestanden met extreem hoge nauwkeurigheid kon reconstrueren. In tests met 12-qubitsystemen reconstrueerde het netwerk de toestanden met een fidelity, of nauwkeurigheid, die de 99 procent overschreed. Dit betekent dat de methode kan dienen als een herbruikbaar hulpmiddel om de kwaliteit van kwantumtoestanden te controleren zonder dat het systeem voor elk nieuw experiment opnieuw getraind hoeft te worden, wat een belangrijke stap is naar het praktisch maken van kwantumdiagnostiek voor grootschalige machines.

Ten slotte pakte het team het probleem van Hamiltonian learning aan, wat inhoudt dat men de exacte krachten en interacties moet begrijpen die een kwantumsysteem beheersen. Ze pasten hun methode toe op een gesimuleerde array van 81 atomen, waarbij het doel was om de precieze fysieke posities van elk atoom te bepalen op basis van hoe ze met hun buren interageerden. Zelfs met kleine verschuivingen van slechts enkele nanometers was het neurale netwerk in staat om de locaties van de atomen met opmerkelijke precisie af te leiden. De resultaten kwamen met een hoge mate van correlatie overeen met de werkelijke waarden, en de onzekerheidsschattingen van het netwerk benadrukten correct de weinige gebieden waar de gegevens minder duidelijk waren. Deze capaciteit zou cruciaal kunnen zijn voor de kalibratie van toekomstige kwantumsimulatoren, waarbij de fysieke plaatsing van atomen het volledige gedrag van de machine bepaalt.

Het succes van dit werk berust op het feit dat de onderzoekers niet probeerden de onmogelijke wiskunde direct op te lossen. In plaats daarvan accepteerden ze dat ze het antwoord niet voor elke nieuwe situatie konden berekenen. Door vooraf tijd te investeren in het trainen van een model op een enorme hoeveelheid gesimuleerde gegevens, creëerden ze een systeem dat zichzelf terugbetaalt door ongelooflijk snel en herbruikbaar te zijn. De methode werkt omdat het gebruikmaakt van het feit dat veel kwantumsystemen, zelfs grote, structuren hebben die klassieke computers nog steeds efficiënt kunnen simuleren. Door deze efficiënte simulators te combineren met krachtige neurale netwerken, hebben de onderzoekers een brug geslagen tussen de klassieke en de kwantumwereld. Deze aanpak vervangt niet de noodzaak voor fysieke experimenten, maar biedt een krachtige lens waardoor men naar deze experimenten kan kijken, waarbij ruwe gegevens worden omgezet in bruikbare inzichten over de kwantumwereld.

De implicaties van dit werk strekken zich uit buiten alleen deze specifieke tests. De onderzoekers merken op dat hun methode algemeen genoeg is om op veel andere problemen in de kwantumwetenschap te worden toegepast, zoals het kalibreren van sensoren of het ontwerpen van feedbackcontroles. Hoewel de huidige resultaten gebaseerd zijn op simulaties, is het framework ontworpen om ook met echte experimentele gegevens te werken. De belangrijkste beperking blijft de mogelijkheid om de trainingsgegevens te simuleren; als een systeem te complex wordt voor zelfs de beste klassieke simulators, zal de methode moeten worden aangepast. Echter, voor het brede scala aan kwantumsystemen die momenteel toegankelijk zijn, biedt deze techniek een praktisch pad voorwaarts. Het transformeert de karakterisering van kwantumapparaten van een traag, op maat gemaakt proces naar een gestroomlijnde, geautomatiseerde capaciteit, waardoor we dichter bij de dag komen waarop kwantumcomputers betrouwbaar kunnen worden afgestemd en vertrouwd voor praktische toepassingen in de echte wereld.