Quantinuum raportoi Helios-järjestelmällä loogisen muistin 99,9995 prosentin fideliteetin

Quantinuum on raportoinut kvanttivirheenkorjauksen tuloksesta, joka nostaa esiin hyödyllisen kvanttilaskennan keskeisen edellytyksen: kvantti-informaation säilyttämisen riittävän pitkään, jotta sitä voidaan käyttää johonkin arvokkaaseen. Yrityksen Helios-ioniloukkutietokoneella mitattiin loogisen muistin fideliteetiksi 99,9995 % kutakin virheentarkistuskierrosta kohden – tämä vastaa noin viittä loogista virhettä miljoonaa kierrosta kohden.

Lokakuun 19. päivänä julkistettu tulos on kymmenen kertaa parempi kuin yrityksen aiemmin raportoima ennätys. Quantinuumin mukaan se vahvistaa perusteita sen suunnitellulle yleiskäyttöiselle vikasietoiselle Apollo-järjestelmälle, jonka tavoitevuosi on 2029. Koe on kuitenkin merkittävä muistin suorituskyvyn vertailutulos, ei osoitus siitä, että kokonainen hyödyllinen sovellus olisi saatu toimimaan kyseisellä tarkkuudella.

Tutkimus nostaa esiin myös tekoälyn ja kvanttilaskennan kasvavan yhteyden: neuroverkot voivat auttaa tulkitsemaan virhemittauksia riittävän nopeasti, jotta ne tukisivat tulevaisuudessa reaaliaikaista korjausta. Edistysaskeleen arvioimiseksi on tärkeää ymmärtää, mitä mitattiin ja miten dekoodereita testattiin.

Mitä 99,9995 prosentin tulos mittaa

Fyysiset kubitit ovat alttiita häiriöille, jotka turmelevat niiden kvanttitiloja. Virheenkorjauksessa informaatio hajautetaan useille fyysisille kubiteille loogisen kubitin muodostamiseksi. Lisäksi tehtävillä mittauksilla havaitaan virheisiin viittaavia merkkejä lukematta suoraan suojattua informaatiota.

Keskeinen testi on se, pienentääkö lisäsuojaus todella loogisten virheiden määrää. Virheenkorjauksen kynnysarvon alapuolella suurempien koodien pitäisi toimia paremmin. Sen yläpuolella koodin ylläpitämiseen tarvittavat lisäoperaatiot voivat tuoda järjestelmään liikaa kohinaa.

Tutkimuksessa kvanttivirheenkorjausta testattiin selvästi värikoodin kynnysarvon alapuolella: Quantinuumin tutkijat kokeilivat värikoodeja etäisyyksillä kolme, viisi ja seitsemän. Koodietäisyys kuvaa suojauksen vahvuutta. Loogisen muistin mitattu virhetaajuus laski etäisyyden ollessa kolme noin 5,5 virheeseen 10 000 kierrosta kohden, etäisyyden ollessa viisi 3,8 virheeseen 100 000 kierrosta kohden ja etäisyyden ollessa seitsemän noin viiteen virheeseen miljoonaa kierrosta kohden.

Laajimmassa muistia koskevassa kokeessa käytettiin 73:a fyysistä kubittia, mittausancillat mukaan lukien, yhden loogisen kubitin suojaamiseen. Arvio perustui kolmeen virheeseen 29 000 kokeellisen ajon aikana; kukin ajo sisälsi 20 korjauskierrosta. Havaittujen virheiden pieni määrä tarkoittaa, että tilastollisella epävarmuudella on merkitystä: artikkelissa virheen keskiarvioksi ilmoitetaan viisi miljoonaa kohden, ja yhden keskihajonnan väli ulottuu noin kolmesta yhdeksään virheeseen miljoonaa kohden.

Tämä on vahvaa näyttöä suojauksen tehostumisesta. Se ei kuitenkaan tarkoita, että miljoona mielivaltaista kvanttiporttia tai miljoona kaupallisen algoritmin vaihetta olisi suoritettu virheettömästi.

Miksi Helios soveltuu erilaisten virheenkorjauskoodien testaamiseen

Quantinuumin teknisessä kuvauksessa kokeesta painotetaan parannuksia, jotka on tehty samalla Helios-laitteistolla kuin aiempi tulos. Alusta perustuu ioniloukkuihin, joiden kytkeytyneisyys mahdollistaa vuorovaikutukset kiinteän lähinaapurijärjestelyn ulkopuolella. Tämä joustavuus antaa tutkijoille mahdollisuuden vaihtaa virheenkorjausstrategiaa suunnittelematta suoritinta uudelleen yhden koodin ympärille.

Uudessa työssä käsitellään myös vuotamista, jossa ioni siirtyy pois tiloista, joilla kubitti esitetään. Vuotaminen voi aiheuttaa korreloituneita virheitä, jotka ovat erityisen haitallisia korjausmenetelmille. Tutkijat yhdistävät optisen pumppauksen, jolla vuotaneet ionit palautetaan laskentatiloihin, piiritason tekniikoihin, joiden tarkoituksena on rajoittaa virheiden leviämistä.

Testatuilla koodietäisyyksillä loogisen muistin virhetaajuus parani noin 12-kertaisesti aina etäisyyden kasvaessa kahdella. Erillisessä kahden kubitin Clifford-porttikokeessa virheitä saatiin vähennettyä noin yhdeksäsosaan etäisyyksien kolme ja viisi välillä. Nämä ovat toisiinsa liittyviä mutta erillisiä vertailutuloksia: otsikossa mainittua muistin fideliteettiä ei pidä soveltaa porttitulokseen.

Tekoäly auttaa dekoodaamaan virhesignaaleja

Kvanttivirheenkorjaus perustuu klassiseen dekooderiin, joka tulkitsee mittauskuvioita ja määrittää todennäköisimmät virheet. Pelkkä fyysisen laitteiston parantaminen ei riitä, jos tulkinta ei pysy suorittimen tahdissa.

Tutkimuksessa vertaillaan useita menetelmiä, kuten Tesseract-nimistä A*-hakudekooderia, Frontier-nimistä virtaavaa dekooderia, kolmiulotteista konvoluutioneuroverkkoa ja kierrostokenien muuntajamallia. Neuroverkkomallit koulutettiin Helios-emulaattorista saadulla aineistolla, minkä jälkeen niitä sovellettiin kokeelliseen aineistoon hienosäätämättä niitä laitteistolla kerätyllä datalla.

Tässä tekoälyllä on rajattu tehtävä: kvanttimittausten virhekuvioiden tunnistaminen. Mallit eivät korvaa kvanttiprosessoria eivätkä osoita yleiskäyttöistä tekoälysovellusta. Niiden hyöty perustuu siihen, että dekoodauksen tarkkuus voidaan sovittaa nopeuteen, jota toistuvien korjauskierrosten ylläpitäminen edellyttää.

Tutkijoiden mukaan neuroverkkomallien päättelyajat ovat satoja mikrosekunteja, mikä sopii reaaliaikaiseen toimintaan tämän luokan laitteistolla. Olennaista on, että kaikki tutkimuksessa tehty dekoodaus suoritettiin offline-tilassa. Suoratoistotesteissä mittaukset syötettiin kierros kierrokselta ajoituksen arvioimiseksi; testeissä ei osoitettu, että neuroverkkoon perustuvat dekooderit olisivat ohjanneet kokeen ajan reaaliaikaista takaisinkytkentäsilmukkaa.

Ero tarkoittaa, että edessä on vielä tekninen virstanpylväs, mutta se ei vähennä tuloksen merkitystä: simulaatiossa koulutetut mallit tulkitsivat onnistuneesti fyysisestä kvanttikoneesta peräisin olevia virheitä.

Mitä muistituloksen ja hyödyllisen laskennan välillä vielä on?

Quantinuum kuvailee tulosta maailmanennätykseksi ja kertoo tarkkuuden olevan nyt Apollon tavoitealueella. Näitä väitteitä on tarkasteltava vikasietoisen laskennan laajempien vaatimusten rinnalla. Käytännöllisen järjestelmän on suojattava monia loogisia kubitteja, suoritettava riittävän laaja joukko portteja, ylläpidettävä virheenkorjausta laskennan aikana ja tarjottava riittävästi läpimenokapasiteettia arvokkaiden laskentatehtävien suorittamiseen.

Resurssirajoitukset ovat nähtävissä tässäkin tutkimuksessa. Tutkijat eivät toteuttaneet etäisyydeltään seitsemän kubitin kahden kubitin porttikoetta, koska siihen olisi tarvittu enemmän kubitteja kuin Helios-järjestelmässä oli käytettävissä. Yhtiön blogissa todetaan lisäksi, että skaalautuva, kynnysarvon alittava taikatilojen valmistelu – jota tarvitaan yhdellä tärkeällä reitillä kohti universaalia vikasietoista laskentaa – on vielä osoittamatta.

Quantinuumin tiekarttaan kuuluvat Sol-järjestelmä vuonna 2027 ja Apollo vuonna 2029. Ne ovat edelleen kehitystavoitteita. Nykyinen näyttö on rajatumpaa mutta merkityksellistä: käytössä olevalla laitteistolla koodin muuttaminen, vuodon hallinta ja dekoodauksen parantaminen vähensivät loogisen muistin virheitä huomattavasti.

Kvanttialalla tulos siirtää huomion aiempaa vaativampaan kysymykseen: pystyykö prosessori ylipäätään osoittamaan virheenkorjauksen sijaan siihen, voidaanko suojaus skaalata kattamaan koko hyödyllisen laskennan koneisto. Tekoälytutkijoille se tarjoaa konkreettisen esimerkin siitä, miten koneoppiminen voi edistää tätä työtä ohjausinfrastruktuurin tasolla.