Spiking neural networks for streaming qubit readout

Os computadores quânticos prometem resolver problemas que são atualmente impossíveis até mesmo para os supercomputadores mais poderosos, desde o design de novos medicamentos até a simulação de materiais complexos. No entanto, essas máquinas são incrivelmente frágeis. Para funcionar, elas devem ser mantidas em um estado de equilíbrio delicado, e o menor distúrbio pode fazer com que percam sua informação. Para manter um computador quântico funcionando, os cientistas devem verificar constantemente o status de seus componentes individuais, conhecidos como qubits, e fazer ajustes rápidos com base no que encontram. Esse processo de verificação, ou "leitura" (readout), do estado de um qubit não é apenas uma etapa final; é uma conversa contínua e de alto risco entre a máquina e o cientista. Se a leitura for muito lenta ou imprecisa, o computador não consegue corrigir seus erros a tempo, e o cálculo falha. Por anos, os cientistas confiaram em métodos padrão para interpretar esses sinais, mas, à medida que as máquinas quânticas se tornam maiores e mais complexas, essas ferramentas antigas estão se tornando lentas e rígidas demais para lidar com a natureza desordenada e em tempo real dos dados.

Uma equipe de pesquisadores introduziu agora uma nova maneira de ouvir esses sinais quânticos, usando um tipo de cérebro computacional inspirado no sistema nervoso humano. Em vez de esperar que uma medição inteira termine antes de tomar uma decisão, seu novo sistema ouve o sinal conforme ele chega, atualizando seu entendimento momento a momento. Essa abordagem, que utiliza redes neurais de impulsos (spiking neural networks), permite que o computador tome decisões muito mais rápido do que antes, potencialmente possibilitando as correções rápidas necessárias para a computação quântica em larga escala. Os pesquisadores testaram este método em um pequeno processador quântico com cinco qubits e descobriram que ele podia identificar o estado dos qubits com alta precisão, igualando o desempenho de sistemas muito maiores e mais lentos, enquanto operava em tempo real.

O desafio começa com a forma como os computadores quânticos são medidos. Nos processadores quânticos supercondutores usados por muitos pesquisadores, a informação é lida enviando sinais de micro-ondas através da máquina. Quando um qubit está em um estado ou outro, ele altera ligeiramente a frequência desses sinais. Em configurações modernas, os cientistas frequentemente medem muitos qubits ao mesmo tempo enviando diferentes frequências por um único fio, uma técnica chamada multiplexação de frequência. Embora eficiente, isso cria um sinal complexo que é uma mistura das respostas de todos os qubits. O sinal não é uma linha limpa e simples; é um traço ruidoso e flutuante que pode ser distorcido pelos qubits interagindo entre si ou pelos qubits mudando seu estado enquanto a medição está acontecendo. Tradicionalmente, os cientistas usaram um método chamado filtragem casada (matched filtering) para interpretar esses traços. Este método funciona comparando o sinal recebido contra um modelo perfeito e pré-calculado de como o sinal deveria parecer. No entanto, essa abordagem possui uma falha significativa: ela exige que toda a medição seja registrada antes que qualquer análise possa começar. Ela trata o sinal como uma imagem estática, ignorando o fato de que o sinal muda ao longo do tempo e que pistas importantes podem aparecer no início da medição e depois desaparecer.

Para superar essa limitação, os pesquisadores recorreram a um tipo diferente de inteligência artificial conhecido como rede neural de impulsos (spiking neural network). Ao contrário das redes neurais artificiais padrão, que processam dados em fluxos contínuos e só produzem uma resposta após verem todo o input, as redes neurais de impulsos são projetadas para lidar com a informação conforme ela chega, de forma muito semelhante às neurônios no cérebro que disparam em resposta a eventos específicos. Neste novo sistema, o sinal de micro-ondas recebido é fatiado em minúsculos intervalos de tempo, cada um durando apenas 100 nanossegundos. À medida que cada fatia chega, a rede a processa imediatamente, atualizando sua memória interna e seu palpite sobre qual é o estado do qubit. Ela não espera que a medição completa termine. Isso permite que o sistema comece a tomar uma decisão quase assim que a medição começa, em vez de esperar até o fim. Os pesquisadores construíram este sistema para rodar em um hardware especializado chamado matriz de portas programáveis em campo, ou FPGA, que é um tipo de chip comumente usado em sistemas de controle quântico porque pode realizar cálculos com um atraso extremamente baixo.

A equipe testou seu novo método em um processador quântico de cinco qubits, um benchmark pequeno, mas realista, que inclui todas as complicações de uma máquina maior, como ruído e interferência entre os qubits. Eles compararam sua rede neural de impulsos contra o método tradicional de filtragem casada e contra uma rede neural artificial padrão que espera pelos dados completos antes de decidir. Os resultados mostraram que a rede neural de impulsos foi altamente eficaz. Ela alcançou uma precisão quase idêntica à da rede neural padrão muito maior, que tinha acesso a todos os dados de uma vez, mas o fez enquanto processava os dados em tempo real. O método tradicional de filtragem casada, que é o padrão atual, foi menos preciso, particularmente quando os qubits estavam interagindo entre si ou quando o sinal estava ruidoso. O novo sistema foi capaz de detectar esses padrões complexos e corrigir para eles, reduzindo os erros que ocorrem quando a medição de um qubit é confundida pelo estado de outro.

Uma das descobertas mais significativas foi a capacidade de controlar quando o sistema toma sua decisão. Como a rede atualiza seu palpite após cada minúscula fatia de tempo, os pesquisadores puderam treiná-la para ser confiante o suficiente para interromper precocemente se o sinal estiver claro, ou para esperar mais tempo se o sinal for ambíguo. Eles descobriram que, ao ajustar o treinamento, podiam obter uma leitura muito precisa após apenas 600 nanossegundos da medição, o que é uma parte significativa do tempo total, sem sacrificar a precisão do resultado final. Essa flexibilidade é crucial para a correção de erros quânticos, onde o sistema deve decidir rapidamente se aplica uma correção ou se espera por mais informações. Os pesquisadores também demonstraram que podiam rodar este sistema complexo em hardware usando números simplificados, uma técnica chamada quantização, sem perder muita precisão. Isso é vital porque significa que o sistema pode rodar nos recursos limitados de um controlador de computador quântico real sem precisar de quantidades massivas de energia ou memória.

Os testes de hardware confirmaram que o sistema é rápido o suficiente para o trabalho. Os pesquisadores calcularam que o chip poderia processar cada fatia de 100 nanossegundos de dados em cerca de 31 a 52 nanossegundos. Isso significa que o sistema termina seu cálculo e atualiza sua decisão bem antes que a próxima fatia de dados chegue. Essa velocidade é essencial para uma leitura de fluxo (streaming readout), onde o sistema deve acompanhar o fluxo de informação sem ficar para trás. O estudo mostrou que esta abordagem não é apenas uma possibilidade teórica, mas uma solução prática que pode ser construída com a tecnologia atual. Ao combinar a capacidade de aprender com dados complexos e ruidosos com a velocidade do processamento em tempo real, a rede neural de impulsos oferece um novo caminho à frente para a leitura de computadores quânticos. Ela preenche a lacuna entre os métodos lentos e rígidos do passado e as necessidades rápidas e adaptáveis do futuro, sugerindo que a próxima geração de computadores quânticos pode depender desses sistemas inspirados no cérebro para manter o curso.