Quantinuum informa de una fidelidad de memoria lógica del 99,9995% en Helios

Quantinuum ha informado de un resultado de corrección de errores cuánticos que pone de relieve un requisito fundamental para que la computación cuántica resulte útil: conservar intacta la información cuántica el tiempo suficiente para hacer algo valioso con ella. En su computadora de iones atrapados Helios, la empresa midió una fidelidad de memoria lógica del 99,9995 % por ciclo de comprobación de errores, equivalente a aproximadamente cinco fallos lógicos por cada millón de ciclos.

Anunciado el 19 de octubre, el resultado representa una reducción de diez veces con respecto al récord anterior que había comunicado la empresa. Quantinuum afirma que refuerza los argumentos a favor de Apollo, su sistema universal tolerante a fallos previsto para 2029. Sin embargo, el experimento constituye un importante parámetro de referencia para la memoria, no una demostración de una aplicación útil completa que funcione con ese nivel de precisión.

La investigación que acompaña al resultado también destaca la creciente conexión entre la IA y la computación cuántica: las redes neuronales pueden ayudar a interpretar las mediciones de errores con suficiente rapidez como para facilitar la corrección en tiempo real en el futuro. Para evaluar el avance, es esencial comprender qué se midió y cómo se probaron esos decodificadores.

Qué mide el resultado del 99,9995 %

Los cúbits físicos son vulnerables a perturbaciones que alteran sus estados cuánticos. La corrección de errores distribuye la información entre varios cúbits físicos para crear un cúbit lógico, mientras que mediciones adicionales revelan indicios de errores sin leer directamente la información protegida.

La prueba clave consiste en determinar si añadir más protección reduce realmente la tasa de errores lógicos. Por debajo del umbral de corrección de errores, los códigos de mayor tamaño deberían funcionar mejor. Por encima de ese umbral, las operaciones adicionales necesarias para mantener el código pueden introducir demasiado ruido.

En Corrección de errores cuánticos muy por debajo del umbral del código de color, los investigadores de Quantinuum probaron códigos de color con distancias de tres, cinco y siete. La distancia del código describe la solidez de la protección. La tasa de errores de memoria lógica medida descendió de aproximadamente 5,5 por cada 10.000 ciclos con distancia tres a 3,8 por cada 100.000 con distancia cinco, y a cerca de cinco por cada millón con distancia siete.

En el experimento de memoria de mayor tamaño se utilizaron 73 cúbits físicos, incluidas ancillas de medición, para proteger un cúbit lógico. La estimación se basó en tres fallos registrados en 29.000 ejecuciones experimentales, cada una con 20 rondas de corrección. El reducido número de fallos observados implica que la incertidumbre estadística es importante: el artículo informa de una estimación central de cinco errores por cada millón, con un intervalo de una desviación estándar que abarca aproximadamente de tres a nueve por cada millón.

Esto constituye una prueba sólida de que la protección es cada vez más eficaz. No significa que se hayan ejecutado sin errores un millón de puertas cuánticas arbitrarias ni un millón de pasos de un algoritmo comercial.

Por qué Helios permite probar distintos códigos de corrección de errores

El análisis técnico del experimento de Quantinuum destaca las mejoras incorporadas al mismo hardware Helios que se utilizó para el resultado anterior. La plataforma utiliza iones atrapados, con una conectividad que permite interacciones más allá de una disposición fija entre vecinos más próximos. Esa flexibilidad permite a los investigadores cambiar las estrategias de corrección de errores sin rediseñar el procesador en torno a un único código.

El nuevo trabajo también aborda la fuga, que se produce cuando un ion abandona los estados utilizados para representar un cúbit. La fuga puede generar errores correlacionados, especialmente perjudiciales para los esquemas de corrección. Los investigadores combinan el repombeo óptico, que devuelve los iones que han sufrido fugas a los estados computacionales, con técnicas de circuito diseñadas para limitar la propagación de errores.

En las distintas distancias de código probadas, la tasa de errores de memoria lógica mejoró aproximadamente por un factor de 12 cada vez que la distancia aumentó en dos. En un experimento independiente con puertas Clifford de dos cúbits se demostró una supresión de errores por un factor de alrededor de nueve entre las distancias tres y cinco. Se trata de parámetros de referencia relacionados, pero distintos: la fidelidad de memoria destacada en el titular no debe aplicarse al resultado de las puertas.

La IA ayuda a decodificar las señales de error

La corrección de errores cuánticos depende de un decodificador clásico que interpreta los patrones de medición y determina cuáles son los errores más probables. Un hardware físico mejor no basta si esa interpretación no puede seguir el ritmo del procesador.

El estudio compara varios métodos, entre ellos un decodificador de búsqueda A* llamado Tesseract, un decodificador en flujo continuo llamado Frontier, una red neuronal convolucional tridimensional y un transformador de tokens por ronda. Los modelos neuronales se entrenaron con datos de un emulador de Helios y luego se aplicaron a datos experimentales sin ajustar el modelo con datos del hardware.

Este es un uso específico de la IA: identificar patrones de error en las mediciones cuánticas. Los modelos no sustituyen al procesador cuántico ni demuestran una aplicación de IA de propósito general. Su valor reside en equilibrar la precisión de la decodificación con la velocidad necesaria para mantener ciclos de corrección repetidos.

Los investigadores informan de tiempos de inferencia neuronal de cientos de microsegundos, compatibles con el funcionamiento en tiempo real en esta clase de hardware. Es fundamental señalar que toda la decodificación del estudio se realizó sin conexión. En las pruebas de procesamiento continuo, las mediciones se suministraron ronda a ronda para evaluar los tiempos; no se demostró que los decodificadores neuronales controlaran un ciclo de retroalimentación en directo durante todo el experimento.

Esta distinción deja por delante un hito de ingeniería, pero no resta importancia al resultado: los modelos entrenados mediante simulación interpretaron con éxito los errores de una máquina cuántica física.

Qué falta para pasar de un récord de memoria a una computación útil

Quantinuum describe el resultado como un récord mundial y afirma que su precisión ya se encuentra dentro del rango objetivo de Apollo. Estas afirmaciones deben considerarse junto con los requisitos más amplios de la computación tolerante a fallos. Un sistema práctico debe proteger muchos qubits lógicos, ejecutar un conjunto de puertas suficientemente amplio, mantener la corrección durante los cálculos y ofrecer suficiente capacidad de procesamiento para completar cargas de trabajo valiosas.

Incluso en este estudio siguen siendo evidentes los límites de recursos. Los investigadores no realizaron el experimento de puertas de dos qubits a distancia siete porque superaba el número de qubits disponibles en Helios. El blog de la empresa también señala que aún está por demostrarse la preparación escalable de estados mágicos por debajo del umbral, necesaria para una vía importante hacia la computación universal tolerante a fallos.

La hoja de ruta de Quantinuum incluye su sistema Sol en 2027 y Apollo en 2029. Ambos siguen siendo objetivos de desarrollo. Las pruebas actuales son más acotadas, pero significativas: en el hardware existente, cambiar el código, controlar las fugas y mejorar la decodificación redujo considerablemente los errores de memoria lógica.

Para la industria cuántica, el resultado desplaza la atención hacia una pregunta más exigente que la de si un procesador puede demostrar corrección de errores: si esa protección puede ampliarse a todo el conjunto de componentes necesarios para una computación útil. Para los investigadores de IA, ofrece un ejemplo concreto de cómo el aprendizaje automático contribuye a ese esfuerzo desde el nivel de la infraestructura de control.