Quantinuum、Heliosで論理メモリー忠実度99.9995%を報告

Quantinuumは、有用な量子コンピューティングに不可欠な要件、すなわち量子情報を価値ある処理に利用できるだけの時間、損なわずに保つことを、より明確に示す量子誤り訂正の成果を報告した。同社のイオントラップ型量子コンピューターHeliosで測定した論理メモリー忠実度は、誤り検査サイクルあたり99.9995%だった。これは、100万サイクルあたり約5回の論理エラーに相当する。

10月19日に発表されたこの成果は、同社が以前に報告した記録からエラー率を10分の1に低減したものだ。Quantinuumによると、この成果は、2029年の実現を目指して計画中の汎用フォールトトレラントシステムApolloの有望性を裏付ける。ただし、今回の実験はメモリー性能の重要なベンチマークであり、この精度で完全な実用アプリケーションを実行したことを示すものではない。

付随する研究は、AIと量子コンピューティングの結びつきが強まりつつあることも示している。ニューラルネットワークを使えば、誤りの測定結果を十分な速さで解釈でき、将来的なリアルタイム誤り訂正を支えられる可能性がある。何が測定され、デコーダーがどのように検証されたのかを理解することは、今回の進展を評価するうえで欠かせない。

99.9995%の成果が示すもの

物理量子ビットは、量子状態を損なう外乱の影響を受けやすい。誤り訂正では、複数の物理量子ビットに情報を分散させて論理量子ビットを形成する。また、追加の測定によって、保護された情報を直接読み出すことなく、エラーの兆候を検出する。

重要なのは、保護を強化することで論理エラー率が実際に低下するかどうかだ。誤り訂正のしきい値を下回れば、より大きな符号ほど性能が向上するはずだ。しきい値を上回る場合は、符号を維持するために必要な追加操作によって、ノイズが過剰に発生する可能性がある。

カラーコードのしきい値を大きく下回る量子誤り訂正では、Quantinuumの研究者らが距離3、5、7のカラーコードを検証した。符号距離は、保護の強さを表す。測定された論理メモリーエラー率は、距離3では1サイクルあたり1万回中約5.5回、距離5では10万回中3.8回、距離7では100万回中約5回へと低下した。

最大規模のメモリー実験では、測定用補助量子ビットを含む73個の物理量子ビットを使って、1個の論理量子ビットを保護した。推定値は、各実験ショットが20回の訂正ラウンドで構成される29,000ショットのうち、3回の失敗に基づいている。観測された失敗が少ないため、統計的不確実性が重要となる。この論文では、中心推定値を100万回あたり5回とし、標準偏差1つ分の区間は100万回あたり約3回から9回までとしている。

これは、保護の有効性が着実に高まっていることを示す強い証拠だ。ただし、任意の量子ゲートを100万回実行した、あるいは商用アルゴリズムの処理を100万ステップ、エラーなく実行したという意味ではない。

Heliosが異なる誤り訂正符号を検証できる理由

Quantinuumの実験に関する技術的な説明では、以前の成果と同じHeliosハードウェアで実施された改良が強調されている。このプラットフォームはイオントラップ方式を採用し、固定された最近接配置を超える相互作用を可能にする接続性を備えている。この柔軟性により、研究者は単一の符号を前提にプロセッサーを再設計することなく、誤り訂正の手法を変更できる。

今回の研究では、イオンが量子ビットの表現に使われる状態から外れる「漏れ」への対処も行っている。漏れは、誤り訂正方式に特に大きな損害を与える相関エラーを引き起こす可能性がある。研究者らは、漏れたイオンを計算状態に戻す光ポンピングと、エラーの拡散を抑えるよう設計された回路技術を組み合わせた。

検証した各符号距離において、距離が2増すごとに論理メモリーエラー率は約12分の1に改善した。別途実施した2量子ビットのクリフォードゲート実験では、距離3から距離5の間で約9分の1への抑制が示された。これらは関連するものの別個のベンチマークであり、見出しに掲げたメモリー忠実度をゲートの結果に当てはめてはならない。

AIが誤り信号のデコードを支援

量子誤り訂正では、測定パターンを解釈し、起きた可能性の高いエラーを特定する古典デコーダーが必要となる。その解釈がプロセッサーの処理速度に追いつけなければ、物理ハードウェアだけを改良しても十分ではない。

この研究では、Tesseractと呼ばれるA*探索デコーダー、Frontierというストリーミングデコーダー、3次元畳み込みニューラルネットワーク、ラウンドトークン・トランスフォーマーなど、複数の手法を比較している。ニューラルモデルはHeliosエミュレーターのデータで学習させた後、ハードウェアデータによるファインチューニングを行わずに実験データへ適用した。

ここでのAIの役割は、量子測定におけるエラーパターンの特定に限られる。これらのモデルは量子プロセッサーに取って代わるものでも、汎用AIアプリケーションを実証するものでもない。その価値は、誤り訂正サイクルを繰り返し維持するために必要な速度と、デコード精度の両立にある。

研究者らによると、ニューラル推論にかかる時間は数百マイクロ秒で、この種のハードウェアでのリアルタイム動作に対応できる水準です。重要なのは、この研究でのデコードはすべてオフラインで実施されたという点です。ストリーミングテストでは、タイミングを評価するために測定値をラウンドごとに入力しましたが、実験を通じてニューラルデコーダーがリアルタイムのフィードバックループを制御することを実証したわけではありません。

この違いを踏まえると、工学上の節目はまだ先にあります。それでも、この成果の重要性は変わりません。シミュレーションで訓練したモデルが、実機の量子マシンで生じたエラーを正しく解釈できたのです。

メモリー記録から実用的な計算に至るまでに残された課題

Quantinuumは、この成果を世界記録と位置づけ、精度がApolloの目標範囲に入ったと述べています。こうした主張は、フォールトトレラント計算に求められる、より幅広い要件と併せて捉える必要があります。実用的なシステムには、多数の論理量子ビットを保護し、十分に幅広いゲートを実行し、計算中も誤り訂正を継続し、価値あるワークロードを完了できるだけのスループットを確保することが求められます。

この研究でも、リソースの制約は明らかです。距離7の2量子ビットゲート実験は、Heliosで利用できる量子ビット数を超えるため、研究者らは実施しませんでした。また、同社のブログでは、普遍的なフォールトトレラント計算を実現する重要な方法に必要となる、閾値を下回るスケーラブルなマジック状態の準備も、実証が残された課題として挙げられています。

Quantinuumのロードマップには、2027年のSolシステムと2029年のApolloが含まれています。いずれも開発目標です。今回得られた証拠の範囲は限られていますが、意義のあるものです。既存のハードウェアで、符号の変更、リークの制御、デコードの改善により、論理メモリーのエラーが大幅に減少しました。

量子業界にとって、この成果は、プロセッサーが誤り訂正を実証できるかどうかという問いから、実用的な計算を支える仕組み全体にわたって、その保護機能を拡張できるかという、より難しい問いへと関心を移すものです。AI研究者にとっては、機械学習が制御インフラのレベルでこの取り組みに貢献する具体例となっています。