Real-time single-shot qubit-state discrimination on FPGA with a parameter-efficient Trace–IQ fusion network

In de race om een praktische kwantumcomputer te bouwen, is het meest kwetsbare deel van de machine niet de processor zelf, maar het moment waarop we proberen ernaar te luisteren. Supergeleidende qubits, de minuscule circuits die fungeren als het brein van deze computers, bestaan in een staat van delicate superpositie, waarbij ze informatie vasthouden die verdwijnt als er te hard aan wordt gezeten. Om te lezen wat een qubit doet, laten wetenschappers een microgolfsignaal op de qubit schijnen en luisteren ze naar een zwakke echo. Deze echo arriveert als een stroom datapunten, een ruizig gefluister dat in de loop van de tijd verandert. De uitdaging is om in een fractie van een seconde te beslissen of de qubit zich in de grondtoestand of in de aangeslagen toestand bevindt. Deze beslissing moet onmiddellijk plaatsvinden, terwijl de qubit nog "leeft", zodat de computer eventuele fouten kan corrigeren voordat ze zich verspreiden. Als het luisterproces te traag of te onhandig is, gaat de informatie verloren en mislukt de berekening. Jarenlang was de standaardmanier van luisteren een eenvoudige, rigide methode die het signaal behandelt als een statische snapshot, waarbij de subtiele veranderingen die plaatsvinden terwijl het signaal zich ontvouwt, worden genegeerd.

Een onderzoeker heeft nu een slimmere manier van luisteren gedemonstreerd, een methode die direct draait op de hardware die de kwantumcomputer aanstuurt. Ze ontwikkelden een nieuwe methode voor het uitlezen van deze signalen die niet alleen nauwkeuriger is, maar ook ongelooflijk efficiënt, omdat het veel minder rekenkracht vereist dan eerdere pogingen. Door een klein, gespecialiseerd computerprogramma te trainen om de specifieke vorm van de evolutie van het signaal te herkennen, bereikten ze een nauwkeurigheid die de langdurige industriestandaard overtreft. Deze doorbraak is significant omdat het bewijst dat complexe besluitvorming in realtime kan plaatsvinden, direct naast de kwantumprocessor, zonder de beperkte middelen van het systeem te overbelasten. De onderzoeker toonde aan dat door te focussen op de specifieke manier waarop het signaal in de loop van de tijd verandert, in plaats van alleen op de gemiddelde waarde, zij tussen de twee toestanden konden onderscheiden met een fidelity van 0,9962, een getal dat de waarschijnlijkheid van correctheid vertegenwoordigt.

De kern van het probleem ligt in de imperfecties van de fysieke wereld. Wanneer een qubit wordt gemeten, blijft deze niet altijd in de staat waarin hij begon. Hij kan vervallen, energie lekken en halverwege het meetvenster van identiteit veranderen. Hij kan ook lekken naar een derde, ongewenste toestand die de standaardleesmethoden niet verwachten. Bovendien drift de apparatuur zelf licht over de tijd, waardoor de positie van het signaal verschuift. De traditionele methode, bekend als een matched filter, werkt goed wanneer het signaal een perfecte, statische wolk van datapunten is. Echter, de methode faalt wanneer het signaal een bewegend doelwit is dat tijdens de meting van vorm of positie verandert. Het middelt in feite het hele signaal samen, waardoor de cruciale informatie over hoe het signaal moment per moment veranderde, verloren gaat. Deze beperking betekende dat een aanzienlijk deel van de potentiële nauwkeurigheid onbenut bleef.

Om dit op te lossen, bouwde de onderzoeker een simulatie die de imperfecties en de ruis van de echte wereld nabootst, inclus\nuit het verval en de drift tijdens een kwantummeting. Ze gebruikten deze simulatie om een enorme dataset van veertig duizend individuele meetgebeurtenissen te genereren. Vervolgens testten ze vier traditionele wiskundige methoden tegen een nieuwe aanpak gebaseerd op neurale netwerken, computergestuurde systemen die patronen leren van data. De traditionele methoden, waaronder de standaard matched filter en een eenvoudige integratietechniek, hadden moeite om het tempo bij te houden van de chaotische realiteit van de simulatie. Ze behaalden fidelities variërend van ongeveer 0,97 tot 0,98, wat betekent dat ze fouten maakten in ongeveer twee tot drie procent van de gevallen.

De onderzoeker introduceerde vervolgens een nieuwe architectuur die ze de Trace–IQ Fusion Network noemen. Dit systeem is ontworpen met twee afzonderlijke paden die samenwerken. Het ene pad bekijkt de volledige geschiedenis van het signaal en analyseert hoe de vorm van de golf in de loop van de tijd verandert om die vervallen of lekken tijdens de meting op te vangen. Het andere pad berekent simpelweg de gemiddelde positie van het signaal, wat is waar de oude methoden op vertrouwden. Door deze twee visies te combineren, krijgt het netwerk het beste van beide werelden: het kent de algemene positie, maar begrijpt ook het verhaal van hoe het daar terechtkwam. Opmerkelijk genoeg bereikte dit nieuwe netwerk een fidelity van 0,9962, waarmee het de beste traditionele methode met een duidelijke marge versloeg. Het maakte minder fouten dan de standaardaanpak en identificeerde de toestand correct in bijna elk geval.

Wat deze ontdekking bijzonder krachtig maakt, is niet alleen de nauwkeurigheid, maar ook de extreme efficiëntie van het ontwerp. Het nieuwe netwerk had slechts 686 aanpasbare getallen, of parameters, nodig om de taak te leren. In contrast hiermee had een standaard neuraal netwerk dat een vergelijkbare nauwkeurigheid bereikte meer dan zeven duizend parameters nodig. Dit betekent dat het nieuwe systeem ongeveer tien keer efficiënter is en een fractie van het geheugen en de rekenkracht gebruikt. Deze efficiëntie is cruciaal omdat de beslissing genomen moet worden op een field-programmable gate array, een type chip dat direct naast de kwantumprocessor zit en zeer beperkte ruimte heeft voor extra software. De onderzoeker toonde aan dat hun ontwerp zelfs verder kon worden verkleind en effectief kon werken met zeer kleine getallen, wat het mogelijk maakt om op de hardware te draaien zonder de rest van het systeem te vertragen.

Om te garanderen dat dit ontwerp daadwerkelijk in echte hardware gebouwd kon worden, moest de onderzoeker een specifieke technische hindernis overwinnen. Bij het vertalen van het softwareontwerp naar de taal die hardwarechips begrijpen, veroorzaakte een veelvoorkomende stap genaamd "pooling", die gegevens vereenvoudigt, vaak dat de getallen incorrect schalen, waardoor de logica van het netwerk werd doorbroken. De onderzoeker loste dit op door de standaard pooling-stap te vervangen door een vaste, onveranderlijke berekening die dezelfde taak uitvoerde, maar zich correct gedroeg in de hardwaretranslatie. Deze kleine maar slimme aanpassing maakte het mogelijk om het hele systeem te synthetiseren in een werkend chipontwerp zonder de geleerde intelligentie te verliezen. Ze verifieerden dit door een digitale simulatie van de chip uit te voeren, die de oorspronkelijke softwaremodellen met bijna perfecte precisie maten, wat bevestigde dat het ontwerp zoals bedoeld zou werken wanneer het gebouwd wordt.

De resultaten suggereren dat de toekomst van kwantumcomputing ligt in deze compacte, intelligente luisteraars. Door af te stappen van rigide, eenheidsoplossingen en over te gaan op systemen die zich kunnen aanpassen aan de rommelige, veranderende aard van kwantumsignalen, kunnen wetenschappers meer informatie uit hun machines extraheren. Het nieuwe netwerk bewees dat het mogelijk is om hoogwaardige (high-fidelity) metingen in realtime uit te voeren, zelfs wanneer de qubits vervallen of driften. Hoewel de studie werd uitgevoerd met een zeer realistische simulatie in plaats van een fysieke kwantumcomputer, bieden de resultaten een duidelijke routekaart voor de volgende generatie controlesystemen. Het vermogen om een dergelijke geavanceerde discriminator op een kleine chip te draaien, betekent dat kwantumcomputers nu sneller en betrouwbaarder op hun eigen fouten kunnen reageren, wat de droom van een stabiele, grootschalige kwantummachine een stap dichter bij de realiteit brengt.