Distilling Knowledge from Search: Decoder Model Factory for Quantum LDPC Codes

Kwantumcomputers bieden de belofte om problemen op te lossen die de machines van vandaag duizenden jaren zouden kosten om te kraken, van het ontwerpen van nieuwe medicijnen tot het modelleren van complexe klimaatstelsels. Deze machines zijn echter ongelooflijk fragiel. De minuscule deeltjes die ze gebruiken om informatie op te slaan, bekend als qubits, worden gemakkelijk verstoord door de kleinste trilling of warmte, waardoor ze fouten maken. Om een bruikbare kwantumcomputer te bous, moeten wetenschappers een systeem bouwen dat deze fouten kan detecteren en herstellen sneller dan ze optreden. Dit proces, genaamd foutcorrectie, vertrouwt op een "decoder"—een klassiek computerprogramma dat fungeert als een vertaler. Het leest de ruisige signalen van de kwantummachine en ontdeelt wat er mis is gegaan, zodat het systeem het kan herstellen. De uitdaging is dat naarmate kwantumcomputers groter en complexer worden, de patronen van fouten moeilijker te voorspellen zijn, en de software die nodig is om ze te herstellen snel genoeg moet zijn om in realtime mee te kunnen komen.

Een team van onderzoekers heeft een nieuwe aanpak voor dit probleem geïntroduceerd door een systeem te creëren dat zij een "decoder model factory" noemen. In plaats van één enkel, statisch programma te bouwen om fouten te herstellen, hebben ze een methode ontwikkend waarbij de decoder leert en zichzelf verbetert in de loop van de tijd, net als een student die beter wordt in een vakgebied door te oefenen met steeds moeilijkere voorbeelden. De kern van hun werk is een nieuw type decoder genaamd GraphMP. Dit hulpmiddel maakt gebruik van een techniek die bekend staat als "message passing", waarbij kleine stukjes informatie tussen verschillende delen van een netwerk worden uitgewisseld om een compleet beeld te vormen van wat er gebeurt. In tegen tegenstelling tot eerdere methoden die telkens vanaf nul opnieuw getraind moesten worden wanneer de kwantumcomputer van grootte veranderde of de aard van de ruis veranderde, is GraphMP ontworpen om flexibel te zijn. Het kan dezelfde set geleerde regels toepassen op verschillende kwantumcodes en foutpatronen zonder dat het opnieuw getraind hoeft te worden.

De onderzoekers demonstreerden dat deze flexibele decoder ingebed kon worden in een zoekalgoritme dat werkt als een zorgvuldige onderzoeker. Wanneer de decoder een gok doet over een fout, test het zoekalgoritme die gok door tijdelijk specifieke delen van het probleem te herstellen en te zien of de rest van het plaatje klopt. Als de gok tot een tegenstrijdigheid leidt, gaat het algoritme terug naar een vorig punt en probeert het een ander pad. Dit proces zorgt ervoor dat het systeem een beetje extra tijd inruilt voor een veel grotere kans om het juiste antwoord te vinden. Het team stelde vast dat ze door deze zoekmethode te gebruiken, het percentage fouten dat erdoorheen glipt aanzienlijk konden verlagen, zelfs wanneer de decoder werd toegepast op kwantumcodes die hij nog nooit eerder had gezien.

De meest significante innovatie is echter het "factory"-aspect van hun werk. De onderzoekers realiseerden zich dat het proces van het zoeken naar het juiste antwoord een schat aan gegevens genereert. Elke keer dat het zoekalgoritme succesvol een oplossing vindt, laat het een verslag achter van de stappen die het heeft genomen. Het team gebruikt deze succesvolle verslagen om de volgende generatie decoders te trainen. In deze cyclus helpt de huidige decoder bij het vinden van de juiste antwoorden, en die antwoorden worden vervolgens gebruikt om de volgende decoder te leren hoe hij ze nog sneller en nauwkeuriger kan vinden. Dit creëert een zelfverbeterende lus waarbij het systeem leert van zijn eigen ervaring. In hun simulaties zorgde dit proces ervoor dat de decoders bij elke ronde van training beter werden, om uiteindelijk de gevestigde, zeer geavanceerde klassieke methoden op verschillende moeilijke taken te overtreffen.

De onderzoekers testten ook of dit systeem kon aanpassen wanneer de omgeving veranderde. Ze simuleerden een scenario waarin het type ruis dat de kwantumcomputer beïnvloedde plotseling verschoof. Wanneer de decoder met dit nieuwe type fout werd geconfronteerd, nam de prestatie aanvankelijk af, zoals verwacht. Echter, door de factory-cyclus voort te zetten—het verzamelen van nieuwe gegevens uit de veranderde omgeving en het trainen van een nieuw model—herstelde het systeem zich snel en leerde het de nieuwe omstandigheden effectief aan te kunnen. Dit suggereert dat een dergelijk systeem ooit op werkelijke kwantumhardware zou kunnen draaien, waarbij het constant zijn eigen strategieën bijwerkt om aan te passen aan het veranderende gedrag van de machine die het beschermt.

De uiteindelijke visie is een gekoppeld systeem waarbij een snelle, klassieke laag naast de kwantumprocessor werkt. De klassieke laag zou de onmiddellijke taak van het corrigeren van fouten in realtime afhandelen, terwijl een tragere, achtergrondproces continu leert van de resultaten van die correcties om betere modellen voor de toekomst te produceren. Deze aanpak weerspiegelt hoe een biologisch immuunsysteem leert om nieuwe ziekten te bestrijden: het reageert snel op de onmiddellijke dreiging, terwijl het de ervaring van die strijd gebruikt om sterkere verdedigingen voor de toekomst op te bouwen. Hoewel de resultaten tot nu toe uit computersimulaties komen, biedt het werk een concreet blauwdruk voor hoe kunstmatige intelligentie gebruikt kan worden om kwantumcomputers betrouwbaarder en schaalbaarder te maken, waarbij de chaotische ruis van de kwantumwereld wordt omgezet in een beheersbare stroom van informatie die gecorrigeerd en vertrouwd kan worden.