← 最新论文
⚛️ 量子物理

Quantum Data Processing Unit for Neutral-Atom Quantum Computers

本文介绍了量子数据处理单元(QDPU),这是一种在 FPGA 上实现的机器学习架构,它连接了中性原子量子设备与控制器,以实现实时占用检测、重排调度和纠错,从而通过最小化主机往返延迟,大幅缩短组装时间并提高成功率。

原作者: Pranav Srinivas Murali, Russell Marroquin Solares, Warren Zhou, Wanda Hou, Anil Bilgin, Yi-Zhuang You

发布于 2026-11-16
📖 1 分钟阅读🧠 深度阅读

原作者: Pranav Srinivas Murali, Russell Marroquin Solares, Warren Zhou, Wanda Hou, Anil Bilgin, Yi-Zhuang You

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

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解决的问题,但它们极其脆弱。为了工作,它们依赖于被称为原子的小微粒,这些原子被光束固定在原位,并被操纵以执行计算。这些原子非常敏感,如果环境发生轻微变化,它们就会消失或改变状态。由于这种脆弱性,量子计算机不能简单地运行一个程序并等待答案。相反,它必须不断检查正在发生的情况,测量其原子的状态,并立即决定下一步如何调整。这个过程需要量子机器与其作为“大脑”的经典计算机之间进行瞬时对话。如果这种对话太慢,原子会在计算机做出反应之前就丢失,导致计算失败。

挑战在于,来自这些量子机器的数据通常是模糊且多噪声的,就像在黑暗中拍摄的照片。经典计算机必须观察这些模糊的数据,弄清楚原子的确切位置,然后告诉机器如何将它们移动到下一部分计算所需的正确位置。能够足够快地完成这项工作一直是一个主要的瓶颈。研究人员一直试图构建能够快速处理此类信息的系统,但庞大的数据量和严格的时间要求使得难以跟上原子移动或消失的速度。

一支研究团队现在推出了一种专门用于解决这一时间问题的全新硬件。他们称之为量子数据处理单元(QDPU)。可以将它想象成直接建在量子机器与其控制器之间的一座专用桥梁。该单元不再将原子的原始、海量图像发送到远处的计算机进行分析,而是直接位于机器旁边,并瞬间完成繁重的工作。它使用一种智能的学习模型——一种针对其服务的特定机器的特性而训练的数字大脑——来观察噪声数据并在几分之一秒内做出决策。

在这项新工作中,研究人员在设计用于高速处理的单芯片上设计并实现了该单元的核心逻辑。他们专注于一种使用中性原子的特定类型量子计算机,其中原子排列在网格中。研究人员交给该单元的首个任务是观察网格图像,确定哪些位置有原子以及哪些位置是空的,然后计算出一个将原子移动到完美、无缺陷正方形的计划。这是至关重要的一步,因为原子的加载是随机的,计算机需要一个整洁、有序的网格才能开始工作。研究人员发现,他们的单元可以在仅 12.5 微秒内处理包含 2,500 个潜在位置的网格。换句话说,人类眨眼的时间大约是这个时间的 100,000 倍。

团队还测试了这种速度如何影响实际实验的成功率。他们使用计算机模型模拟了如果系统必须等待一个更慢的标准计算机进行思考会发生什么。在这种情况下,由于存在典型的 150 毫秒延迟,由于原子会在计划到达前消失,系统仅能在约 8% 的情况下成功组装出完美的网格。然而,当他们用这个新的 QDPU 取代那个缓慢的计算机时,成功率跃升至 85%。完成一次成功组装所需的时间从 19 秒降至仅 0.16 秒。这种显著的改进表明,消除延迟不仅仅是一个微小的便利,它更是系统运行与失败之间的区别。

除了移动原子之外,研究人员还测试了该单元处理另一种任务的能力:解码错误。量子计算机会出错,系统需要弄清楚发生了哪些错误并实时进行纠正。他们在同一块芯片上实现了一个专门的解码器,可以分析错误模式并提出修正建议。虽然这项特定任务比移动原子的任务耗时更长,但它仍在系统运行所需严格的时间限制内运行。研究人员证明,该单元可以通过简单地更换其运行的软件模型来适应不同的工作,从而处理多种任务。

该研究还探讨了该系统未来如何处理规模更大的量子计算机。随着原子数量从几千个增加到数万个,需要处理的数据量将爆炸式增长。研究人员发现,虽然一个简单的匹配滤波器检测器可以快速扩展到 1 万个位点,但一个更复杂的学习型检测器(CNN)将面临重大挑战。对于一个 10,000 个位点的阵列,CNN 的处理时间将激增至约 90 毫秒。这占到了系统旨在消除的 150 毫秒主机往返延迟的很大一部分,这表明如果要使用学习型检测器扩展到如此大规模的阵列,则需要更大的硬件预算、更高效的网络或比目前实现的更快的处理延迟。

最重要的发现之一是,该单元不需要成为处理这项工作的庞大、复杂的超级计算机。研究人员将核心逻辑构建在可以安装在标准电路板上的单芯片上。他们表明,通过使用针对特定噪声和原子行为进行训练的专门模型,可以用极少的计算能力实现高精度。例如,他们发现,只要曝光时间足够长,一个简单的预计算滤波器在寻找原子方面的表现几乎可以与更复杂的学习模型媲美。这表明,最佳解决方案并不总是最复杂的,而是与所辅助的特定机器完美契合的方案。

研究人员谨慎地指出,虽然他们构建了硬件逻辑并使用模拟数据进行了测试,但他们尚未将它连接到真实的摄像头和真实的量子机器进行实地实验。检测器评估使用的是模拟图像而非真实的相机帧,且相机摄取和控制器链路已明确说明但尚未实现。他们报告的关于成功率和时序的结果是基于模拟原子行为及硬件处理数据的模拟实验。然而,硬件本身是真实的,并且已经过测试以确保逻辑按设计运行,尽管匹配滤波器流水线尚未在板上运行实时数据。他们还确定了仍需完成的几个步骤,例如将该单元连接到实际的相机和控制器,以证明整个闭环在现实世界中可行。

尽管仍存在这些步骤,这项工作为如何构建下一代量子计算机提供了清晰的蓝图。它表明,瓶颈不仅在于量子物理本身,还在于支持它的经典电子设备。通过将智能、快速的处理器直接放置在量子设备旁边,科学家们可以使原子存活足够长的时间以执行复杂的计算。研究人员证明,通过正确的架构,可以把测量原子与根据信息采取行动之间的延迟从零点几秒降低到极小的微秒级。这种转变可能是让量子计算机从小型实验成长为解决现实世界问题所需的大型强大机器的关键。

团队还探索了如何将此系统用于其他任务,例如直接在量子数据上训练机器学习模型。他们展示了该单元可以向远程计算机发送数据,由其更新模型,然后接收新的指令。然而,这种收集数据并重新训练模型的“外环”过程并不是瞬时的;它被设计为耗时几分钟到几小时,以便在设备条件随时间变化时重新拟合模型参数。这种能力使得系统能够在实验过程中或两次运行之间进行学习和适应,而不是一个需要不断进行人工调优的静态机器。这种在不长时间停止实验的情况下更新系统知识的能力,是使量子计算变得实用且可靠的关键一步。

最后,这篇论文是在为量子计算机构建神经系统。它关注的不是原子本身,而是监视它们的系统的速度和智能。研究人员已经证明,通过在快速芯片上使用专用的学习模型,他们可以足够快地处理信息,从而维持量子机器的运行。他们已经将该领域从“经典计算机跟不上速度”的状态,带到了“可以即时反应”的状态。这是一个基础性的进步,证明了存在能够支持量子计算宏伟目标的硬件。这项工作表明,量子计算的未来不仅在于更好的原子,还在于更好地与它们沟通的方式。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →