Lifting: Quantum State Discrimination Framework for Mid-Circuit Measurements

Quantumcomputers beloven problemen op te lossen die klassieke machines duizenden jaren zouden kosten, maar ze zijn ongelooflijk fragiel. Om te functioneren moeten ze complexe sequenties van operaties uitvoeren terwijl ze constant op fouten controleren. Een cruciaal onderdeel van dit proces is het vermogen om een kwantumbit, of qubit, halverwege een berekening te meten zonder de gehele berekening te vernietigen. Dit staat bekend als een mid-circuit meting. Wanneer een qubit wordt gemeten, produceert deze een zwak microgolfsignaal dat geïnterpreteerd moet worden om te bepalen of de qubit zich in een nul- of een-toestand bevindt. Echter, op de supergeleidende chips die vandaag de dag worden gebruikt, is dit signaal vaak ruisachtig en vervormd. Naarmate een berekening vordert en qubits herhaaldelijk worden gemeten, verslechtert de fysieke staat van de hardware, waardoor de signalen nog moeilijker af te lezen zijn. Als de computer een signaal verkeerd interpreteert, kan het de verkeerde correctie toepassen, wat de gehele berekening doet mislukken.

Onderzoekers hebben geprobeerd dit leesproces te verbeteren met behulp van kunstmatige intelligentie, specifiek neurale netwerken, die goed zijn in het vinden van patronen in rommelige data. Toch is er een harde limiet aan hoe goed deze netwerken kunnen presteren als ze alleen kijken naar het signaal van een enkele qubit. Als de ruis ervoor zorgt dat de signalen voor nul en één te veel overlappen, kan geen enkele softwaretraining ze met zekerheid van elkaar onderscheiden. Bovendien schieten standaard kalibratiemethoden, die de computer leren hoe signalen gelezen moeten worden voordat een run begint, vaak tekort omdat ze niet overeenkomen met de realiteit van wat er tijdens een lange, complexe berekening gebeurt. De signalen veranderen terwijl de circuit loopt, waardoor de software getraind op verouderde informatie achterblijft.

Om deze hindernissen te overwinnen, heeft een team onderzoekers van Indiana University en Lawrence Berkeley National Laboratory een nieuw framework ontwikkeld genaamd Lifting. In plaats van te proberen de uitlezing van een enkele qubit te perfectioneren, verandert Lifting de manier waarop de informatie wordt verzameld. Voordat een doel-qubit wordt gemeten, koppelt het systeem deze tijdelijk aan één of meer helper-qubits. Dit creëert een groep qubits die dezelfde toestand delen. Het systeem meet vervolgens al deze qubits op exact hetzelfde moment en vangt een gecombineerd signaal op dat zowel de doel- als de helper-qubits bevat. Door naar dit gezamenlijke beeld te kijken in plaats naar een enkel geïsoleerd signaal, verkrijgt het systeem extra informatie die helpt om de nul- en een-toestanden te scheiden, zelfs wanneer deze ruisig zijn.

De onderzoekers testten deze aanpak op drie verschillende IBM quantumprocessors. Ze ontdekten dat het simpelweg toevoegen van de helper-qubits en het gezamenlijk meten ervan de verwarring tussen toestanden aanzienlijk verminderde. De groep ontdekte echter ook dat de timing van de training even belangrijk was als de hardware. Ze ontwikkelden een methode om de leessoftware te kalibreren terwijl het circuit daadwerkelijk draaide, waardoor de computer leerde de signalen te interpreteren onder exact de omstandigheden waaraan hij tijdens de echte taak zou worden blootgesteld. Deze "in situ" kalibratie hield rekening met de manier waarop de hardware veranderde naarmate de berekening vorderde.

Wanneer de onderzoekers de gezamenlijke meettechniek combineerden met deze real-time kalibratie, waren de resultaten aanzienlijk. In een test met herhaalde metingen slaagde een standaard systeem dat vertrouwde op oudere kalibratiemethoden er slechts in ongeveer 54 procent van de gevallen in om de taak correct te voltooien. Het nieuwe Lifting-framework, dat gebruikmaakte van de gecombineerde signalen en real-time training, verhoogde het succespercentage naar bijna 62 procent wanneer de meest ambigue resultaten werden weggefilterd. In andere tests waarbij foutcorrectie en datateleportatie betrokken waren, presteerde de nieuwe methode consequent beter dan de standaard benaderingen. De studie suggereert dat de beste manier om een quantumcomputer uit te lezen niet alleen het bouwen van een betere decoder is, maar het veranderen van de beschikbare informatie en het trainen met dezelfde omstandigheden die het in de echte wereld zal tegenkomen. Deze aanpak biedt een praktisch pad naar het betrouwbaarder maken van quantumcomputers zonder dat daar volledig nieuwe hardware voor nodig is.