Spiking neural networks for streaming qubit readout

Kwantumcomputers bieden de belofte om problemen op te lossen die momenteel onmogelijk zijn voor zelfs de krachtigste supercomputers, van het ontwerpen van nieuwe medicijnen tot het simuleren van complexe materialen. Echter, deze machines zijn ongelooflijk fragiel. Om te kunnen werken, moeten ze in een staat van delicaat evenwicht worden gehouden, en de kleinste verstoring kan ervoor zorgen dat ze hun informatie verliezen. Om een kwantumcomputer draaiende te houden, moeten wetenschappers voortdhankelijk de status van de individuele componenten, bekend als qubits, controleren en razendsnelle aanpassingen maken op basis van wat ze vinden. Dit proces van controleren, of "uitlezen" (readout), van de staat van een qubit is niet alleen een laatste stap; het is een voortdurende, hoogwaardige conversatie tussen de machine en de wetenschapper. Als de uitlezing te traag of onnauwkeurig is, kan de computer zijn fouten niet op tijd corrigeren, en faalt de berekening. Jarenlang hebben wetenschappers vertrouwd op standaardmethoden om deze signalen te interpreteren, maar naarmate kwantummachines groter en complexer worden, worden deze oude instrumenten te traag en te rigide om de rommelige, real-time aard van de gegevens aan te kunnen.

Een team van onderzoekers heeft nu een nieuwe manier geïntroduceerd om naar deze kwantumsignalen te luisteren, met behulp van een type computerbrein dat geïnspireerd is door het menselijk zenuwstelsel. In plaats van te wachten tot een volledige meting is voltooid voordat er een beslissing wordt genomen, luistert hun nieuwe systeem naar het signaal terwijl het binnenkomt, waarbij het zijn begrip moment voor moment bijwerkt. Deze aanpak, die gebruikmaakt van spiking neurale netwerken, stelt de computer in staat om veel sneller beslissingen te nemen dan voorheen, wat potentieel de snelle correcties mogelijk maakt die nodig zijn voor grootschalige kwantumcomputing. De onderzoekers testten deze methode op een kleine kwantumprocessor met vijf qubits en ontdekten dat het de staat van de qubits met hoge nauwkeurigheid kon identificeren, waarbij het de prestaties evenaarde van veel grotere, tragere systemen terwijl het in real time opereerde.

De uitdaging begint bij hoe kwantumcomputers worden gemeten. In de supergeleidende kwantumprocessors die door veel onderzoekers worden gebruikt, wordt informatie uitgelezen door microsignalen door de machine te sturen. Wanneer een qubit zich in de ene of de andere staat bevindt, verschuift dit de frequentie van deze signalen lichtjes. In moderne opstellingen meten wetenschappers vaak veel qubits tegelijk door verschillende frequenties via een enkele draad te sturen, een techniek die frequentiemultiplexing wordt genoemd. Hoewel dit efficiënt is, creëert het een complex signaal dat een mengeling is van de reacties van alle qubits. Het signaal is geen zuivere, eenvoudige lijn; het is een ruisend, fluctuerend spoor dat kan worden vervormd door de interactie tussen de qubits onderling, of door de qubits die van staat veranderen terwijl de meting plaatsvindt. Traditioneel hebben wetenschappers een methode gebruikt die matched filtering wordt genoemd om deze sporen te interpreteren. Deze methode werkt door het binnenkomende signaal te vergelijken met een perfect, vooraf berekend sjabloon van hoe het signaal eruit zou moeten zien. Dit aanpak heeft echter een aanzienlijk gebrek: het vereist dat de volledige meting is opgenomen voordat er enige analyse kan beginnen. Het behandelt het signaal als een statisch plaatje, waarbij voorbij wordt gegaan aan het feit dat het signaal in de loop van de tijd verandert en dat belangrijke aanwijzingen vroeg in de meting kunnen verschijnen en daarna weer kunnen verdwijnen.

Om deze beperking te overwinnen, wenden de onderzoekers zich tot een ander soort kunstmatige intelligentie die bekend staat als een spiking neuraal netwerk. In tegenstelling tot standaard kunstmatige neurale netwerken, die gegevens verwerken in continue stromen en pas een antwoord produceren nadat ze de volledige input hebben gezien, zijn spiking neurale netwerken ontworpen om informatie te verwerken zodra deze binnenkomt, vergelijkbaar met hoe neuronen in de hersenen reageren op specifieke gebeurtenissen. In dit nieuwe systeem wordt het binnenkomende microsignaal in kleine tijdsintervallen gehakt, elk duren slechts 100 nanoseconden. Terwijl elk segment arriveert, verwerkt het netwerk dit onmiddellijk, waarbij het zijn interne geheugen en zijn vermoeden over de staat van de qubit bijwerkt. Het wacht niet tot de volledige meting is voltooid. Dit stelt het systeem in staat om een beslissing te nemen bijna zodra de meting begint, in plaats van te wachten tot het allerlaatste moment. De onderzoekers bouwden dit systeem om te draaien op speciale hardware genaamd een field-programmable gate array, of FPGA, een type chip dat veel wordt gebruikt in kwantumcontrole-systemen omdat het berekeningen met extreem lage vertraging kan uitvoeren.

Het team testte hun nieuwe methode op een vijf-qubit kwantumprocessor, een kleine maar realistische benchmark die alle complicaties van een grotere machine bevat, zoals ruis en interferentie tussen de qubits. Ze vergeleken hun spiking neurale netwerk met de traditionele matched-filter methode en met een standaard kunstmatig neuraal netwerk dat wacht op de volledige data voordat het een beslissing neemt. De resultaten toonden aan dat het spiking neurale netwerk zeer effectief was. Het bereikte een nauwkeurigheid die bijna identiek was aan die van het veel grotere standaard neurale netwerk, dat toegang had tot alle data tegelijk, maar deed dit terwijl het de data in real time verwerkte. De traditionele matched-filter methode, die momenteel de standaard is, was minder nauwkeurig, met name wanneer de qubits met elkaar interageerden of wanneer het signaal ruisig was. Het nieuwe systeem was in staat deze complexe patronen te herkennen en hiervoor te corrigeren, waardoor de fouten werden verminderd die optreden wanneer de meting van één qubit wordt verward door de staat van een andere.

Een van de meest significante bevindingen was de mogelijkheid om te controleren wanneer het systeem een beslissing neemt. Omdat het netwerk zijn vermoeden na elk klein tijdssegment bijwerkt, konden de onderzoekers het trainen om voldoende zelfverzekerd te zijn om voortijdig te stoppen als het signaal duidelijk was, of langer te wachten als het signaal ambigu was. Ze ontdekten dat ze door de training aan te passen, een zeer nauwkeurige meting konden krijgen na slechts 600 nanoseconden van de meting, wat een aanzienlijk deel van de totale tijd is, zonder de nauwkeurigheid van het eindresultaat op te offeren. Deze flexibiliteit is cruciaal voor kwantumfoutcorrectie, waarbij het systeem snel moet beslissen of het een correctie moet toepassen of meer informatie moet afwachten. De onderzoekers demonstreerden ook dat ze dit complexe systeem konden laten draaien op hardware met vereenvoudigde getallen, een techniek genaamd kwantisatie, zonder veel nauwkeurigheid te verliezen. Dit is van vitaal belang omdat het betekent dat het systeem kan draaien op de beperkte middelen van een echte kwantumcomputercontroller zonder enorme hoeveelheden stroom of geheugen te vereisen.

De hardwaretests bevestigden dat het systeem snel genoeg is voor de taak. De onderzoekers berekenden dat de chip elk 100-nanoseconden segment van de data in ongeveer 31 tot 52 nanoseconden kan verwerken. Dit betekent dat het systeem zijn berekening voltooit en zijn beslissing bijwerkt ruim voordat het volgende segment van de data arriveert. Deze snelheid is essentieel voor een streaming readout, waarbij het systeem de informatiestroom moet bijhouden zonder achter te blijven. De studie toonde aan dat deze aanpak niet slechts een theoretische mogelijkheid is, maar een praktische oplossing die met de huidige technologie gebouwd kan worden. Door het vermogen om te leren van complexe, ruisige data te combineren met de snelheid van real-time verwerking, biedt het spiking neurale netwerk een nieuwe weg voorwaarts voor het uitlezen van kwantumcomputers. Het overbrugt de kloof tussen de trage, rigide methoden uit het verleden en de snelle, adaptieve behoeften van de toekomst, en suggereert dat de volgende generatie kwantumcomputers mogelijk zal vertrouwen op deze door het brein geïnspireerde systemen om op koers te blijven.