Quantinuum rapporterer 99,9995% fidelitet for logisk minne på Helios

Quantinuum har rapportert et resultat innen kvantefeilkorrigering som setter et sentralt krav for nyttig kvantedatabehandling i skarpere fokus: å holde kvanteinformasjon intakt lenge nok til å kunne bruke den til noe verdifullt. På sin fangst-ion-datamaskin Helios målte selskapet en fidelitet for logisk minne på 99,9995 % per feilkontrollsyklus – tilsvarende omtrent fem logiske feil per million sykluser.

Resultatet ble kunngjort 19. oktober og er en tidobling av forbedringen sammenlignet med selskapets tidligere rapporterte rekord. Quantinuum sier at resultatet styrker grunnlaget for Apollo, selskapets planlagte universelle feiltolerante system som skal være klart i 2029. Eksperimentet er imidlertid en betydelig referansemåling for minne, ikke en demonstrasjon av en komplett, nyttig applikasjon som kjører med denne nøyaktigheten.

Den tilhørende forskningen fremhever også den stadig sterkere forbindelsen mellom KI og kvantedatabehandling: Nevrale nettverk kan bidra til å tolke feilmålinger raskt nok til å støtte fremtidig sanntidskorrigering. For å vurdere fremskrittet er det viktig å forstå hva som ble målt, og hvordan dekoderne ble testet.

Hva resultatet på 99,9995 % måler

Fysiske kvantebiter er sårbare for forstyrrelser som ødelegger kvantetilstandene deres. Feilkorrigering fordeler informasjon over flere fysiske kvantebiter for å lage en logisk kvantebit, mens ytterligere målinger avdekker tegn på feil uten å lese av den beskyttede informasjonen direkte.

Den avgjørende testen er om mer beskyttelse faktisk reduserer feilraten for den logiske kvantebiten. Under en feilkorrigeringsterskel bør større koder gi bedre resultater. Over terskelen kan de ekstra operasjonene som trengs for å opprettholde koden, tilføre for mye støy.

I Kvantefeilkorrigering godt under terskelen for fargekoder testet Quantinuums forskere fargekoder med kodeavstandene tre, fem og sju. Kodeavstanden beskriver hvor sterk beskyttelsen er. Den målte feilraten for logisk minne sank fra omtrent 5,5 per 10 000 sykluser ved kodeavstand tre til 3,8 per 100 000 ved kodeavstand fem, og til omtrent fem per million ved kodeavstand sju.

Det største minneeksperimentet brukte 73 fysiske kvantebiter, inkludert måleancillaer, for å beskytte én logisk kvantebit. Estimatet bygger på tre feil i 29 000 eksperimentelle kjøringer, som hver besto av 20 korrigeringsrunder. Det lave antallet observerte feil gjør at statistisk usikkerhet spiller en rolle: Artikkelen oppgir et sentralt feilestimat på fem per million, med et intervall på ett standardavvik som strekker seg fra omtrent tre til ni per million.

Dette er sterke bevis på at beskyttelsen blir stadig mer effektiv. Det betyr ikke at en million vilkårlige kvanteporter eller en million trinn i en kommersiell algoritme er blitt utført uten feil.

Hvorfor Helios kan teste ulike feilkorrigeringskoder

Quantinuums tekniske redegjørelse for eksperimentet fremhever forbedringer som er gjort på den samme Helios-maskinvaren som ble brukt i selskapets tidligere resultat. Plattformen bruker fangstioner, med en tilkobling som muliggjør interaksjoner utover et fast oppsett der hver ion bare er koblet til nærmeste naboer. Denne fleksibiliteten gjør det mulig for forskerne å endre feilkorrigeringsstrategier uten å måtte utforme prosessoren på nytt rundt én enkelt kode.

Det nye arbeidet tar også for seg lekkasje, der et ion forlater tilstandene som brukes til å representere en kvantebit. Lekkasjer kan føre til korrelerte feil som er særlig skadelige for korrigeringsmetoder. Forskerne kombinerer optisk repumping, som fører ioner som har lekket ut, tilbake til beregningstilstandene, med kretsteknikker som er utformet for å begrense spredningen av feil.

For de testede kodeavstandene ble feilraten for logisk minne forbedret med en faktor på omtrent 12 hver gang kodeavstanden økte med to. Et separat eksperiment med to-qubit-Clifford-porter viste en reduksjon med en faktor på omtrent ni mellom kodeavstandene tre og fem. Dette er beslektede, men ulike referansemålinger: Fideliteten for minnet som fremheves i overskriften, gjelder ikke for portresultatet.

KI bidrar til å dekode feilsignalene

Kvantefeilkorrigering er avhengig av en klassisk dekoder som tolker målemønstre og fastslår hvilke feil som er mest sannsynlige. Bedre maskinvare alene er ikke nok hvis tolkningen ikke kan holde tritt med prosessoren.

Studien sammenligner flere metoder, blant annet en A*-søkealgoritmebasert dekoder kalt Tesseract, en strømmedekoder kalt Frontier, et tredimensjonalt konvolusjonelt nevralt nettverk og en transformer med rundetokener. De nevrale modellene ble trent på data fra en Helios-emulator og deretter brukt på eksperimentelle data uten finjustering på maskinvaredata.

Dette er en avgrenset anvendelse av KI: å identifisere feilmønstre i kvantemålinger. Modellene erstatter ikke kvanteprosessoren og demonstrerer heller ikke en KI-applikasjon for generelle formål. Verdien deres ligger i å balansere dekodingsnøyaktighet med den hastigheten som trengs for å opprettholde gjentatte korrigeringssykluser.

Forskerne rapporterer nevrale inferenstider på noen hundre mikrosekunder, noe som er forenlig med sanntidsdrift på denne typen maskinvare. Det er viktig å understreke at all dekoding i studien ble utført offline. I strømmingstestene ble målingene sendt inn runde for runde for å vurdere tidsbruken; testene viste ikke at de nevrale dekoderne styrte en aktiv tilbakekoblingssløyfe gjennom hele eksperimentet.

Dette skillet viser at det fortsatt gjenstår en teknisk milepæl, samtidig som resultatet er viktig: Modeller som var trent i simulering, tolket feil fra en fysisk kvantemaskin på en vellykket måte.

Hva gjenstår før en minnerrekord kan bli til nyttig databehandling

Quantinuum beskriver resultatet som en verdensrekord og sier at nøyaktigheten nå ligger innenfor målområdet for Apollo. Disse påstandene bør ses i sammenheng med de bredere kravene til feiltolerant databehandling. Et praktisk system må beskytte mange logiske kvantebiter, utføre et tilstrekkelig bredt utvalg av porter, opprettholde feilkorreksjon under beregningene og ha høy nok gjennomstrømning til å fullføre nyttige arbeidsoppgaver.

Ressursbegrensningene er fortsatt tydelige, også i denne studien. Forskerne gjennomførte ikke forsøket med en to-qubit-port ved avstand sju, fordi det krevde flere kvantebiter enn Helios hadde tilgjengelig. Selskapets blogg peker også på skalerbar tilberedning av magiske tilstander under terskelnivået – noe som trengs for en viktig vei til universell feiltolerant databehandling – som et område der resultatene fortsatt må demonstreres.

Quantinuums veikart omfatter systemet Sol i 2027 og Apollo i 2029. Dette er fortsatt utviklingsmål. Dokumentasjonen som foreligger nå, er mer avgrenset, men likevel betydningsfull: På eksisterende maskinvare reduserte endringer i koden, kontroll av lekkasje og bedre dekoding antallet logiske minnefeil betydelig.

For kvanteindustrien retter resultatet oppmerksomheten mot et mer krevende spørsmål enn om en prosessor i det hele tatt kan demonstrere feilkorreksjon: Kan denne beskyttelsen skaleres til hele maskineriet som trengs for nyttig databehandling? For AI-forskere er det et konkret eksempel på hvordan maskinlæring kan bidra til dette arbeidet på nivået til kontrollinfrastrukturen.