Spiking neural networks for streaming qubit readout

量子计算机有望解决目前即使是最强大的超级计算机也无法完成的问题，从设计新药到模拟复杂材料。然而，这些机器极其脆弱。为了运行，它们必须保持一种微妙的平衡状态，哪怕是最轻微的扰动都可能导致它们丢失信息。为了让量子计算机持续运行，科学家必须不断检查其单个组件（称为量子比特）的状态，并根据发现的情况进行快速调整。这种检查或“读取”量子比特状态的过程不仅仅是最后一步；它是机器与科学家之间一场持续的、高风险的对话。如果读取速度太慢或不够准确，计算机就无法及时纠正错误，计算就会失败。多年来，科学家一直依赖标准方法来解释这些信号，但随着量子机器变得越来越大、越来越复杂，这些旧工具在处理这种杂乱、实时的性质的数据时，变得过于缓慢且过于僵化。

一支研究团队现在引入了一种新的聆听这些量子信号的方法，使用了一种受人类神经系统启发的“计算机大脑”。该系统不再等待整个测量完成后再做决定，而是随着信号的到达实时监听信号，并在每一时刻更新其理解。这种使用脉冲神经网络（spiking neural networks）的方法，使计算机能够比以前更快地做出决策，从而可能实现大规模量子计算所需的快速纠错。研究人员在了一个拥有五个量子比特的小型量子处理器上测试了这种方法，发现它能够以极高的准确度识别量子比特的状态，其性能媲美规模更大、速度更慢的系统，同时实现了实时运行。

挑战始于如何测量量子计算机。在许多研究人员使用的超导量子处理器中，通过向机器发送微波信号来读取信息。当一个量子比特处于一种状态或另一种状态时，它会略微改变这些信号的频率。在现代设置中，科学家经常通过在单根导线上发送不同频率的方法来同时测量多个量子比特，这种技术被称为频率复用（frequency multiplexing）。虽然这种方法很高效，但它产生了一个复杂的信号，是所有量子比特响应的混合体。该信号并非一条干净、简单的直线，而是一个带有噪声、波动的轨迹，可能会因为量子比特之间的相互作用或量子比特在测量过程中改变状态而发生畸变。传统上，科学家使用一种称为匹配滤波（matched filtering）的方法来解释这些轨迹。这种方法通过将传入的信号与预先计算好的完美模板进行对比来工作。然而，这种方法有一个显著缺陷：它要求在开始任何分析之前必须先记录下整个测量过程。它将信号视为一张静态图片，忽略了信号随时间变化以及重要线索可能在测量早期出现随后又消失的事实。

为了克服这一限制，研究人员转向了一种被称为脉冲神经网络的另一种人工智能。与处理连续数据流并在看到完整输入后才产生答案的标准人工神经网络不同，脉型神经网络旨在处理随之而来的信息，就像大脑中的神经元会对特定事件做出反应并发出脉冲一样。在这个新系统中，传入的微波信号被切成极小的时隙，每个时隙仅持续100纳秒。随着每个时隙的到达，网络立即对其进行处理，并更新其内部记忆以及对量子比特状态的判断。它不会等待整个测量结束。这使得系统能够在测量开始后几乎立即开始做出决策，而不是等到最后。研究人员将该系统构建在一种称为现场可编程门阵列（FPGA）的专用硬件上，这是一种常用于量子控制系统的芯片，因为它能以极低的延迟执行计算。

团队在五量子比特量子处理器上测试了他们的新方法，这是一个小型但具有现实意义的基准测试，包含了大型机器的所有复杂情况，如噪声和量子比特间的干扰。他们将他们的脉冲神经网络与传统的匹配滤波法以及等待完整数据后再做决定的标准人工神经网络进行了对比。结果显示，脉冲神经网络非常有效。它实现了与能够获取全部数据的庞大标准神经网络几乎相同的准确度，但它是通过实时处理数据实现的。传统的匹配滤波法（目前的标准方法）准确度较低，特别是在量子比特相互作用或信号存在噪声时。新系统能够识别这些复杂的模式并进行纠正，从而减少了因一个量子比特的测量被另一个量子比特的状态所干扰而导致的错误。

最重要的发现之一是控制系统何时做出决策的能力。由于网络在每个微小的时间片后都会更新其判断，研究人员可以训练它，使其在信号清晰时足够自信从而提前停止，或者在信号模糊时等待更长时间。他们发现，通过调整训练，他们可以在仅经过600纳秒的测量后获得非常准确的读取，这在总时长中占据了很大一部分，且没有牺牲最终结果的准确性。这种灵活性对于量子纠错至关重要，在纠错过程中，系统必须快速决定是应用纠正还是等待更多信息。研究人员还展示了他们可以在使用简化数值的硬件上运行这个复杂的系统，这种技术被称为量化（quantization），且不会损失太多准确度。这至关重要，因为这意味着该系统可以在真实量子计算机控制器的有限资源下运行，而不需要消耗大量的功率或内存。

硬件测试证实，该系统的速度足以胜任这项工作。研究人员计算出，该芯片处理每个100纳秒数据片的耗时约为31至52纳秒。这意味着系统在下一个数据片到达之前就能完成计算并更新决策。这种速度对于流式读取（streaming readout）至关重要，即系统必须跟上信息流而不会掉队。研究表明，这种方法不仅是一个理论上的可能性，也是一个可以用现有技术实现的实际解决方案。通过将从复杂、多噪数据中学习的能力与实时处理的速度相结合，脉冲神经网络为读取量子计算机提供了一条新路径。它弥合了过去缓慢、僵化的方法与未来快速、自适应需求之间的鸿沟，暗示着下一代量子计算机可能会依靠这些受大脑启发的系统来保持运行轨道。