Quantinuum meldt een getrouwheid van 99,9995% voor logisch geheugen op Helios

Quantinuum heeft een resultaat op het gebied van kwantumfoutcorrectie gemeld dat een essentiële voorwaarde voor nuttige kwantumcomputing scherper in beeld brengt: kwantuminformatie lang genoeg intact houden om er iets waardevols mee te kunnen doen. Op zijn computer Helios, die werkt met gevangen ionen, heeft het bedrijf per foutcontrolecyclus een getrouwheid van 99,9995% voor logisch geheugen gemeten — gelijk aan ongeveer vijf logische fouten per miljoen cycli.

Het resultaat werd op 19 oktober bekendgemaakt en betekent een vertienvoudiging ten opzichte van het eerder gemelde record van het bedrijf. Volgens Quantinuum versterkt het de onderbouwing voor Apollo, het universele fouttolerante systeem dat het bedrijf voor 2029 op de planning heeft staan. Het experiment is echter een belangrijke benchmark voor geheugen, geen demonstratie van een volledige, nuttige toepassing die met die nauwkeurigheid draait.

Het bijbehorende onderzoek belicht ook de groeiende samenhang tussen AI en kwantumcomputing: neurale netwerken kunnen helpen foutmetingen zo snel te interpreteren dat toekomstige correctie in realtime mogelijk wordt. Om de betekenis van deze vooruitgang te beoordelen, is het essentieel te begrijpen wat er is gemeten en hoe die decoders zijn getest.

Wat de uitkomst van 99,9995% meet

Fysieke qubits zijn kwetsbaar voor verstoringen die hun kwantumtoestand aantasten. Foutcorrectie verdeelt informatie over meerdere fysieke qubits om een logische qubit te vormen. Aanvullende metingen kunnen vervolgens tekenen van fouten aan het licht brengen zonder de beschermde informatie rechtstreeks uit te lezen.

De belangrijkste test is of extra bescherming het foutenpercentage van de logische qubit daadwerkelijk verlaagt. Onder de drempelwaarde voor foutcorrectie zouden grotere codes beter moeten presteren. Boven die drempel kunnen de extra bewerkingen die nodig zijn om de code in stand te houden te veel ruis veroorzaken.

In Kwantumfoutcorrectie ruim onder de drempelwaarde van de kleurcode testten onderzoekers van Quantinuum kleurcodes met afstanden van drie, vijf en zeven. De codeafstand geeft aan hoe sterk de bescherming is. Het gemeten foutenpercentage van het logische geheugen daalde per cyclus van ongeveer 5,5 op 10.000 bij een afstand van drie naar 3,8 op 100.000 bij een afstand van vijf, en ongeveer vijf op een miljoen bij een afstand van zeven.

In het grootste geheugenexperiment werden 73 fysieke qubits gebruikt, waaronder meetancilla’s, om één logische qubit te beschermen. De schatting was gebaseerd op drie fouten in 29.000 experimentele runs, die elk 20 correctierondes omvatten. Omdat er zo weinig fouten zijn waargenomen, is de statistische onzekerheid van belang: het artikel vermeldt een centrale foutschatting van vijf per miljoen, met een interval van één standaarddeviatie dat loopt van ongeveer drie tot negen per miljoen.

Dit is sterk bewijs dat de bescherming steeds doeltreffender wordt. Het betekent niet dat er een miljoen willekeurige kwantumpoorten of een miljoen stappen van een commercieel algoritme foutloos zijn uitgevoerd.

Waarom Helios verschillende foutcorrectiecodes kan testen

In Quantinuums technische beschrijving van het experiment staan de verbeteringen centraal die zijn doorgevoerd op dezelfde Helios-hardware als bij het eerdere resultaat. Het platform maakt gebruik van gevangen ionen, met onderlinge verbindingen die interacties mogelijk maken buiten een vaste opstelling van uitsluitend naburige qubits. Dankzij die flexibiliteit kunnen onderzoekers foutcorrectiestrategieën aanpassen zonder de processor opnieuw te ontwerpen voor één specifieke code.

Het nieuwe onderzoek richt zich ook op lekkage, waarbij een ion de toestanden verlaat die worden gebruikt om een qubit weer te geven. Lekkage kan gecorreleerde fouten veroorzaken die bijzonder schadelijk zijn voor correctieschema’s. De onderzoekers combineren optisch terugpompen, waarmee gelekte ionen terugkeren naar de rekentoestanden, met circuittechnieken die bedoeld zijn om de verspreiding van fouten te beperken.

Bij de geteste codeafstanden verbeterde het foutenpercentage van het logische geheugen telkens met een factor van ongeveer 12 wanneer de afstand met twee toenam. In een afzonderlijk experiment met Clifford-poorten op twee qubits werd tussen afstanden van drie en vijf een onderdrukking met een factor van ongeveer negen aangetoond. Dit zijn verwante, maar verschillende benchmarks: de genoemde getrouwheid van het geheugen mag niet worden toegepast op het resultaat voor de poorten.

AI helpt foutsignalen te decoderen

Kwantumfoutcorrectie is afhankelijk van een klassieke decoder die meetpatronen interpreteert en vaststelt welke fouten waarschijnlijk zijn opgetreden. Alleen betere fysieke hardware volstaat niet als die interpretatie de processor niet kan bijhouden.

In het onderzoek worden verschillende methoden vergeleken, waaronder een A*-zoekdecoder met de naam Tesseract, een decoder voor streamingverwerking met de naam Frontier, een driedimensionaal convolutioneel neuraal netwerk en een transformer met rondetokens. De neurale modellen zijn getraind met gegevens van een Helios-emulator en vervolgens toegepast op experimentele gegevens, zonder finetuning op hardwaregegevens.

AI vervult hier een specifieke rol: foutpatronen in kwantummetingen herkennen. De modellen vervangen de kwantumprocessor niet en vormen geen demonstratie van een AI-toepassing voor algemene doeleinden. Hun waarde ligt in de combinatie van nauwkeurige decodering en de snelheid die nodig is om herhaalde correctiecycli vol te houden.

De onderzoekers melden neurale inferentietijden van honderden microseconden, wat realtimewerking op dit type hardware mogelijk maakt. Cruciaal is dat alle decodering in het onderzoek offline plaatsvond. Bij streamingtests werden de metingen ronde voor ronde aangeleverd om de timing te beoordelen; deze tests toonden niet aan dat de neurale decoders gedurende het hele experiment een live feedbacklus aanstuurden.

Dat onderscheid betekent dat er nog een technische mijlpaal moet worden bereikt, maar doet niets af aan het belang van het resultaat: modellen die in simulatie waren getraind, interpreteerden met succes fouten van een fysieke kwantummachine.

Wat er nog nodig is tussen een geheugenrecord en bruikbare berekeningen

Quantinuum omschrijft het resultaat als een wereldrecord en zegt dat de nauwkeurigheid nu binnen het streefbereik voor Apollo valt. Die beweringen moeten worden bezien in het licht van de bredere vereisten voor fouttolerant rekenen. Een praktisch systeem moet veel logische qubits beschermen, een voldoende breed scala aan poorten uitvoeren, foutcorrectie tijdens berekeningen in stand houden en genoeg verwerkingscapaciteit bieden om waardevolle taken uit te voeren.

Ook in dit onderzoek zijn de beperkingen van de beschikbare middelen zichtbaar. De onderzoekers voerden het experiment met een tweequbitpoort bij afstand zeven niet uit, omdat daarvoor meer qubits nodig waren dan Helios beschikbaar had. De blog van het bedrijf noemt ook schaalbare voorbereiding van magische toestanden onder de drempel — nodig voor een belangrijke route naar universeel fouttolerant rekenen — als werk dat nog moet worden aangetoond.

De routekaart van Quantinuum omvat het Sol-systeem in 2027 en Apollo in 2029. Dat zijn nog ontwikkelingsdoelen. Het huidige bewijs is beperkter, maar betekenisvol: op bestaande hardware hebben aanpassing van de code, beheersing van lekkage en betere decodering de fouten in het logische geheugen aanzienlijk verminderd.

Voor de kwantumindustrie verschuift het resultaat de aandacht naar een veeleisender vraag dan alleen of een processor überhaupt foutcorrectie kan demonstreren: kan die bescherming worden opgeschaald naar de volledige infrastructuur voor nuttige berekeningen? Voor AI-onderzoekers biedt het een concreet voorbeeld van hoe machine learning daaraan kan bijdragen op het niveau van de besturingsinfrastructuur.