Quantinuum meldet eine Fidelität des logischen Speichers von 99,9995% auf Helios

Quantinuum hat ein Ergebnis zur Quantenfehlerkorrektur bekannt gegeben, das eine zentrale Voraussetzung für nützliches Quantencomputing stärker in den Fokus rückt: Quanteninformationen müssen lange genug intakt bleiben, um damit etwas Wertvolles anzufangen. Auf seinem Ionenfallen-Quantencomputer Helios maß das Unternehmen eine Fidelität des logischen Speichers von 99,9995 % pro Fehlerprüfzyklus – das entspricht etwa fünf logischen Ausfällen pro Million Zyklen.

Das am 19. Oktober bekannt gegebene Ergebnis entspricht einer zehnfachen Verringerung gegenüber dem zuvor gemeldeten Rekord des Unternehmens. Quantinuum zufolge stärkt es die Argumente für Apollo, das geplante universelle fehlertolerante System des Unternehmens, dessen Einführung für 2029 vorgesehen ist. Das Experiment ist jedoch ein bedeutender Maßstab für die Speicherleistung und keine Demonstration einer vollständigen, nützlichen Anwendung, die mit dieser Genauigkeit läuft.

Die begleitende Forschungsarbeit hebt zudem die wachsende Verbindung zwischen KI und Quantencomputing hervor: Neuronale Netze können helfen, Fehlermessungen schnell genug auszuwerten, um künftig eine Echtzeitkorrektur zu ermöglichen. Um den Fortschritt einschätzen zu können, muss man verstehen, was gemessen wurde und wie die Decoder getestet wurden.

Was das Ergebnis von 99,9995 % misst

Physikalische Qubits sind anfällig für Störungen, die ihre Quantenzustände verfälschen. Bei der Fehlerkorrektur werden Informationen auf mehrere physikalische Qubits verteilt, um ein logisches Qubit zu erzeugen. Zusätzliche Messungen machen Anzeichen für Fehler sichtbar, ohne die geschützten Informationen direkt auszulesen.

Entscheidend ist, ob zusätzlicher Schutz die logische Fehlerrate tatsächlich senkt. Unterhalb einer Fehlerkorrekturschwelle sollten größere Codes bessere Ergebnisse liefern. Oberhalb dieser Schwelle können die zusätzlichen Operationen, die zur Aufrechterhaltung des Codes erforderlich sind, zu viel Rauschen verursachen.

In Quantenfehlerkorrektur deutlich unterhalb der Schwelle für den Farbcode testeten Forschende von Quantinuum Farbcodes mit den Distanzen drei, fünf und sieben. Die Codedistanz beschreibt die Stärke des Schutzes. Die gemessene Fehlerrate des logischen Speichers sank von etwa 5,5 pro 10.000 Zyklen bei Distanz drei auf 3,8 pro 100.000 Zyklen bei Distanz fünf und auf etwa fünf pro Million Zyklen bei Distanz sieben.

Beim größten Speicherversuch kamen 73 physikalische Qubits einschließlich Messhilfsqubits zum Einsatz, um ein logisches Qubit zu schützen. Die Schätzung beruhte auf drei Fehlern in 29.000 experimentellen Durchläufen mit jeweils 20 Korrekturrunden. Aufgrund der geringen Zahl beobachteter Fehler ist die statistische Unsicherheit relevant: Die Studie gibt eine zentrale Fehlerschätzung von fünf pro Million an; das Ein-Standardabweichungs-Intervall reicht ungefähr von drei bis neun pro Million.

Das ist ein deutlicher Beleg für einen zunehmend wirksamen Schutz. Es bedeutet jedoch nicht, dass eine Million beliebiger Quantengatter oder eine Million Schritte eines kommerziellen Algorithmus fehlerfrei ausgeführt wurden.

Warum Helios Tests mit verschiedenen Fehlerkorrekturcodes ermöglicht

Quantinuums technische Darstellung des Experiments hebt Verbesserungen hervor, die an derselben Helios-Hardware erzielt wurden, die auch beim früheren Ergebnis zum Einsatz kam. Die Plattform basiert auf Ionenfallen und verfügt über eine Vernetzung, die Interaktionen über eine festgelegte Anordnung unmittelbarer Nachbarn hinaus ermöglicht. Diese Flexibilität erlaubt es Forschenden, Fehlerkorrekturstrategien zu ändern, ohne den Prozessor für einen einzelnen Code neu gestalten zu müssen.

Die neue Arbeit befasst sich außerdem mit Leckagen, bei denen ein Ion die Zustände verlässt, die zur Darstellung eines Qubits verwendet werden. Leckagen können korrelierte Fehler verursachen, die Fehlerkorrekturverfahren besonders stark beeinträchtigen. Die Forschenden kombinieren optisches Repumping, das aus den vorgesehenen Zuständen herausgelaufene Ionen in die Rechenzustände zurückführt, mit Schaltungstechniken, die die Ausbreitung von Fehlern begrenzen sollen.

Über die getesteten Codedistanzen hinweg verbesserte sich die Fehlerrate des logischen Speichers jedes Mal um ungefähr den Faktor 12, wenn die Distanz um zwei zunahm. Ein separater Versuch mit Zwei-Qubit-Clifford-Gattern zeigte zwischen den Distanzen drei und fünf eine Unterdrückung um etwa den Faktor neun. Dies sind verwandte, aber unterschiedliche Vergleichswerte: Die angegebene Speicherfidelität darf nicht auf das Ergebnis für die Gatter übertragen werden.

KI hilft bei der Decodierung der Fehlersignale

Die Quantenfehlerkorrektur benötigt einen klassischen Decoder, der Messmuster auswertet und die wahrscheinlichsten Fehler bestimmt. Eine bessere physikalische Hardware allein reicht nicht aus, wenn diese Auswertung nicht mit dem Prozessor Schritt halten kann.

Die Studie vergleicht mehrere Ansätze, darunter einen A*-Suchdecoder namens Tesseract, einen Streaming-Decoder namens Frontier, ein dreidimensionales faltendes neuronales Netz und einen Round-Token-Transformer. Die neuronalen Modelle wurden mit Daten eines Helios-Emulators trainiert und anschließend auf experimentelle Daten angewandt, ohne sie anhand von Hardwaredaten nachzujustieren.

KI erfüllt hier eine klar umrissene Aufgabe: Sie erkennt Fehlermuster in Quantenmessungen. Die Modelle ersetzen weder den Quantenprozessor noch demonstrieren sie eine KI-Anwendung für allgemeine Zwecke. Ihr Nutzen besteht darin, die Genauigkeit der Decodierung mit der für fortlaufende Korrekturzyklen erforderlichen Geschwindigkeit in Einklang zu bringen.

Die Forschenden berichten von neuronalen Inferenzzeiten im Bereich von Hunderten Mikrosekunden, was einen Echtzeitbetrieb auf dieser Hardwareklasse ermöglicht. Entscheidend ist jedoch, dass die gesamte Dekodierung in der Studie offline erfolgte. Bei Streaming-Tests wurden die Messwerte Runde für Runde eingespeist, um die zeitliche Leistung zu beurteilen; sie zeigten nicht, dass die neuronalen Decoder während des gesamten Experiments eine aktive Rückkopplungsschleife steuerten.

Damit steht noch ein wichtiger technischer Meilenstein aus, ohne dass dies die Bedeutung des Ergebnisses schmälert: In Simulationen trainierte Modelle konnten Fehler einer physikalischen Quantenmaschine erfolgreich interpretieren.

Was zwischen einem Speicherrekord und nützlichen Berechnungen noch fehlt

Quantinuum bezeichnet das Ergebnis als Weltrekord und erklärt, dass die Genauigkeit nun im Zielbereich für Apollo liegt. Diese Aussagen sollten vor dem Hintergrund der umfassenderen Anforderungen an fehlertolerantes Rechnen betrachtet werden. Ein praxistaugliches System muss viele logische Qubits schützen, ein ausreichend breites Spektrum an Gattern ausführen, die Fehlerkorrektur während der Berechnung aufrechterhalten und genügend Durchsatz bieten, um wertvolle Arbeitslasten zu bewältigen.

Auch in dieser Studie sind die Grenzen der verfügbaren Ressourcen erkennbar. Die Forschenden führten das Zwei-Qubit-Gatterexperiment mit Codeabstand sieben nicht durch, weil es die verfügbare Qubit-Anzahl von Helios überschritten hätte. Im Blog des Unternehmens wird außerdem die skalierbare Präparation von Magic States unterhalb der Fehlerschwelle als noch zu erbringende Leistung genannt. Sie ist für einen wichtigen Weg zu universell fehlertolerantem Rechnen erforderlich.

Quantinuums Fahrplan sieht das Sol-System für 2027 und Apollo für 2029 vor. Beides sind weiterhin Entwicklungsziele. Die aktuellen Erkenntnisse sind zwar enger gefasst, aber dennoch bedeutsam: Auf vorhandener Hardware ließen sich logische Speicherfehler durch eine Änderung des Codes, die Kontrolle von Leckage und eine verbesserte Dekodierung deutlich verringern.

Für die Quantenbranche verlagert das Ergebnis den Fokus auf eine anspruchsvollere Frage als die, ob ein Prozessor überhaupt Fehlerkorrektur demonstrieren kann: Lässt sich dieser Schutz auf die gesamte Infrastruktur nützlicher Berechnungen ausweiten? Für KI-Forschende ist es ein konkretes Beispiel dafür, wie maschinelles Lernen auf der Ebene der Steuerungsinfrastruktur zu diesem Vorhaben beitragen kann.