Kwantumcomputers beloven problemen op te lossen die de machines van vandaag duizenden jaren zouden kosten, maar ze zijn ongelooflijk fragiel. De minuscule deeltjes die hun informatie vasthouden, genaamd qubits, worden gemakkelijk verstoord door warmte, trillingen of zelfs rondvliegende elektromagnetische golven. Wanneer een qubit wordt verstoord, maakt het een fout, en als deze fouten zich opstapelen, stort de hele berekening in. Om een bruikbare kwantumcomputer te bouien, moeten wetenschappers een systeem bouwen dat deze fouten kan vinden en herstellen terwijl ze gebeuren, een proces dat bekend staat als kwantumfoutcorrectie. De meest populaire methode hiervoor maakt gebruik van een rooster van qubits waarbij het systeem voortdurend zijn eigen gezondheid controleert. Deze controles produceren een stroom gegevens die een syndroom wordt genoemd, wat fungeert als een kaart van waar fouten zijn opgetreden. De uitdaging is dat een computer deze kaart moet lezen en moet beslissen hoe de fouten te herstellen sneller dan nieuwe fouten kunnen verschijnen, een race tegen de klok die enorme snelheid en precisie vereist.

Jarenlang waren de beste hulpmiddelen voor het lezen van deze foutkaarten klassieke algoritmen die het hele rooster behandelen als een solide blok data, waarbij elke vierkante eenheid wordt gecontroleerd ongeacht of er iets mis is. Deze aanpak is betrouwbaar maar traag, omdat het tijd verspilt aan het verwerken van lege ruimtes. In een nieuwe studie hebben onderzoekers van de University of California, Irvine, een andere manier van denken geïntroduceerd. Ze bouwden een decoder die de lege delen van het rooster negeert en zich alleen concentreert op de weinige plekken waar een fout daadwerkelijk heeft plaatsgevonden. Door de foutkaart niet te behandelen als een volledig beeld maar als een ijle lijst van actieve gebeurtenissen, creëerden ze een systeem dat dramatisch sneller en net zo nauwkeurig is als de beste bestaande methoden.

De onderzoekers, onder leiding van Samira Sayedsalehi, ontwikkelden wat zij de Sparse Mamba Decoder noemen. Om te begrijpen waarom dit een doorbraak is, moet men eerst de aard van de fouten begrijpen. In een kwantumcomputer die een typisch experiment uitvoert, zijn fouten zeldzaam. Van de duizenden mogelijke plaatsen waar een fout geregistreerd zou kunnen worden, vertoont gewoonlijk slechts een fractie, vaak minder dan vijf procent, daadwerkelijk een probleem. De oude manier van decoderen was als een beveiligingsbeambte die door elke kamer van een enorm, leeg hotel loopt om te controleren op indringers, ook al wist de beambte dat indringers alleen in een paar specifieijke kamers verschijnen. De nieuwe decoder slaat de lege kamers volledig over. Het wacht tot het alarm afgaat, identificeert de specifieke kamer waar het geluid vandaan kwam, en analyseert vervolgens alleen die kamer en de directe omgeving ervan.

Deze verschuiving in strategie stelde het team in staat om een krachtig nieuw type kunstmatige intelligentie-architectuur te gebruiken, een state-space model, specifiek een versie bekend als Mamba. Dit model is ontworpen om sequenties van informatie efficiënt te verwerken. In plaats van het volledige rooster aan data in het systeem te voeren, extraheerden de onderzoekers alleen de actieve foutsignalen, die zij defecten noemen. Vervolgens enveloppeerden ze elk defect in een gedetailleerde beschrijving met de locatie, het type fout en de relatie tot nabijgelegen fouten. Dit creëerde een korte, variabele lijst van gebeurtenissen in plaats van een gigantisch, statisch blok data. Het AI-model las deze lijst vervolgens om te voorspellen of de computer een logische fout had geleden, wat een fout is die niet kan worden hersteld en de berekening ruïneert.

De resultaten van deze aanpak waren opmerkelijk. Bij tests op gesimuleerde data die het gedrag van echte kwantumhardware nabootsen, verminderde de nieuwe decoder de snelheid van onherstelbare fouten met wel 49 procent vergeleken met de standaardmethode in het vakgebied. Belangrijker nog, het deed dit met ongelooflijke snelheid. In tests draaide het nieuwe systeem tussen de 95 en 467 keer sneller dan de huidige leidende bijna-perfecte decoder, bekend als Tesseract. Terwijl de Tesseract-decoder milliseconden nodig had om een enkele foutkaart te verwerken, voltooide het nieuwe systeem de taak in microseconden. Deze snelheid is cruciaal omdat kwantumcomputers werken op cycli die slechts ongeveer één microseconde duren; als de decoder te traag is, kan de computer het tempo van zijn eigen fouten niet bijhouden.

De onderzoekers testten hun systeem ook op echte data verzameld van Google's Sycamore kwantumprocessor. In deze experimenten kwam de nieuwe decoder de prestaties van een eerder, complexer neuraal netwerk dat het volledige rooster aan data verwerkte, te even of overtrof zelfs licht. Dit bewees dat de nieuwe methode niet aan nauwkeurigheid inboet door de lege ruimte te negeren; het vond simpelweg een efficiëntere manier om het signaal te zien. Het systeem behaalde deze hoge prestaties op standaard, commercieel beschikbare grafische kaarten, zonder de gespecialiseerde, dure supercomputerhardware te vereisen die andere geavanceerde decoders nodig hebben.

Een van de meest significante bevindingen was hoe het systeem omging met de grootte van de kwantumcomputer. Naarmate het rooster van qubits groter wordt om complexere berekeningen uit te voeren, explodeert de hoeveelheid data die verwerkt moet worden meestal, waardoor decoderen steeds langzamer wordt. De nieuwe decoder behield echter een bijna constante snelheid, ongeacht de grootte van het rooster. Terwijl andere methoden honderden keren langzamer werden naarmate het rooster groeide, vertraagde dit systeem slechts met een kleine factor. Dit suggereert dat naarmate kwantumcomputers opschalen naar de enorme formaten die nodig zijn voor praktisch gebruik, deze defect-gecentreerde aanpak niet alleen sneller, maar essentieel zal worden.

Het succes van de Sparse Mamba Decoder berust op een slimme manier van het beschrijven van de fouten. In plaats van alleen te weten waar een fout is opgetreden, kreeg het systeem een rijke set aan aanwijzingen voor elk foutgebeurtenis. Het werd verteld wat de exacte coördinaten van de fout waren, of het een bit-flip of een fase-flip was, en of de buren ook alarm sloegen. Er werd ook een geschiedenis van de status van de fout over de tijd gegeven. Door deze gedetailleerde context in de AI te voeden, leerde het systeem complexe patronen van fouten te herkennen die oudere methoden misten. Het leerde te onderscheiden tussen een enkele meetfout en een keten van fouten die zich over de chip verspreiden, waardoor het betere beslissingen kon nemen over hoe de computer te herstellen.

De studie benadrukte ook een fundamentele beperking van de oude aanpak. Door het hele rooster te verwerken, werden eerdere decoders gedwongen om de horizontale en verticale richtingen van de foutkaart als aparte problemen te behandelen. Echter, in de kwantumwereld beïnvloeden bepaalde soorten fouten beide richtingen tegelijkertijd. De nieuwe decoder kon, door de sequentie van alle fouten samen te bekijken, deze verbindingen van nature zien. Dit stelde het in staat problemen op te lossen die de oudere, gescheiden methoden niet konden oplossen, wat leidde tot de significante daling van de foutpercentages die in de tests werd waargenomen.

Hoewel het systeem nog niet snel genoeg is om in realtime te draaien op de snelste supergeleidende kwantumcomputers, die op een cyclus van één microseconde werken, vertegenwoordigt het een enorme sprong voorwaarts. De onderzoekers merkten op dat de huidige versie gegevens in batches verwerkt, wat een kleine vertraging toevoegt. De onderliggende logica is echter zo efficiënt dat een toekomstige versie, ontworpen om gegevens te streamen zodra ze binnenkomen, potentieel de snelheden kan bereiken die nodig zijn voor realtime correctie. Het feit dat dit niveau van prestatie werd bereikt op een standaard grafische kaart suggereert dat de drempel voor hoogwaardige kwantumfoutcorrectie lager is dan voorheen gedacht.

Het werk demonstreert dat de inherente schaarste van kwantummisjes een kenmerk is, geen fout. Door een architectuur te ontwerpen die deze schaarste respecteert, vonden de onderzoekers een pad naar decoderen dat zowel sneller als nauwkeuriger is. De studie weerlegt het idee dat het verwerken van het volledige, dichte rooster van data noodzakelijk is voor een hoge nauwkeurigheid, en laat in plaats daarvan zien dat het focussen op de actieve defecten een superieure strategie is. Naarmate de kwanthardware blijft verbeteren en groeien, zal het vermogen om fouten snel en efficiënt te decoderen de sleutel zijn tot het ontsluiten van het volledige potentieel van deze machines. Deze nieuwe decoder biedt een duidelijk, praktisch pad naar die toekomst, en bewijst dat de beste manier om een complex probleem op te lossen soms is om alles te negeren wat niet kapot is.