Quantinuum rapporterar 99,9995% minnesfidelitet för logiska kvantbitar på Helios

Quantinuum har rapporterat ett resultat inom kvantfelkorrigering som sätter ett grundläggande krav för användbar kvantberäkning i skarpare fokus: att hålla kvantinformation intakt tillräckligt länge för att kunna göra något värdefullt med den. På företagets jonfällda kvantdator Helios uppmättes en minnesfidelitet för logiska kvantbitar på 99,9995 % per felkontrollcykel – motsvarande ungefär fem logiska fel per miljon cykler.

Resultatet offentliggjordes den 19 oktober och innebär en minskning med en faktor tio jämfört med företagets tidigare rapporterade rekord. Quantinuum säger att det stärker argumenten för Apollo, företagets planerade universella feltoleranta system, som siktar på lansering 2029. Experimentet är dock ett betydande riktmärke för minne, inte en demonstration av en fullständig, användbar tillämpning som körs med den noggrannheten.

Den tillhörande forskningen belyser också den växande kopplingen mellan AI och kvantdatorer: neurala nätverk kan bidra till att tolka felmätningar tillräckligt snabbt för att möjliggöra framtida felkorrigering i realtid. För att bedöma framsteget är det viktigt att förstå vad som mättes – och hur avkodarna testades.

Vad resultatet på 99,9995 % mäter

Fysiska kvantbitar är känsliga för störningar som förvanskar deras kvanttillstånd. Felkorrigering fördelar information över flera fysiska kvantbitar för att skapa en logisk kvantbit, medan ytterligare mätningar avslöjar tecken på fel utan att den skyddade informationen läses av direkt.

Det avgörande testet är om mer skydd faktiskt sänker felfrekvensen för logiska kvantbitar. Under felkorrigeringströskeln bör större koder ge bättre resultat. Över tröskeln kan de extra operationer som krävs för att upprätthålla koden i stället tillföra för mycket brus.

I Kvantfelkorrigering långt under tröskeln för färgkoder testade Quantinuums forskare färgkoder med kodavstånden tre, fem och sju. Kodavståndet beskriver skyddets styrka. Den uppmätta felfrekvensen för logiska minnen sjönk från cirka 5,5 på 10 000 per cykel vid kodavstånd tre till 3,8 på 100 000 vid kodavstånd fem och cirka fem på en miljon vid kodavstånd sju.

I det största minneseperimentet användes 73 fysiska kvantbitar, däribland ancillakvantbitar för mätningar, för att skydda en logisk kvantbit. Estimatet baserades på tre fel under 29 000 experimentella försök, som vart och ett innehöll 20 korrigeringsomgångar. Eftersom så få fel observerades är den statistiska osäkerheten viktig: artikeln rapporterar ett centralt felestimat på fem per miljon, med ett intervall på en standardavvikelse som sträcker sig från cirka tre till nio per miljon.

Det är starka belägg för ett allt effektivare skydd. Det innebär inte att en miljon godtyckliga kvantgrindar eller en miljon steg i en kommersiell algoritm har utförts utan fel.

Varför Helios kan testa olika felkorrigeringskoder

Quantinuums tekniska redogörelse för experimentet lyfter fram förbättringar som gjorts på samma Helios-hårdvara som användes i företagets tidigare resultat. Plattformen bygger på infångade joner, med en konnektivitet som möjliggör växelverkan utöver en fast struktur där varje kvantbit bara kopplas till sina närmaste grannar. Den flexibiliteten gör det möjligt för forskarna att ändra felkorrigeringsstrategier utan att bygga om processorn för en enda specifik kod.

Det nya arbetet tar också upp läckage, där en jon lämnar de tillstånd som används för att representera en kvantbit. Läckage kan orsaka korrelerade fel som är särskilt skadliga för korrigeringsmetoder. Forskarna kombinerar optisk återpumpning, som för tillbaka läckta joner till beräkningstillstånden, med kretstekniker som är utformade för att begränsa hur fel sprids.

För de testade kodavstånden förbättrades felfrekvensen för logiska minnen med ungefär en faktor 12 varje gång kodavståndet ökade med två. I ett separat experiment med Clifford-grindar för två kvantbitar visades en undertryckning med en faktor på cirka nio mellan kodavstånden tre och fem. Det här är närbesläktade men skilda riktmärken: resultatet för minnesfideliteten ska inte överföras till grindresultatet.

AI hjälper till att avkoda felsignalerna

Kvantfelkorrigering är beroende av en klassisk avkodare som tolkar mönster i mätningarna och avgör vilka fel som sannolikt har inträffat. Bättre fysisk hårdvara räcker inte om tolkningen inte kan hålla jämna steg med processorn.

Studien jämför flera metoder, däribland en A*-sökavkodare som heter Tesseract, en strömmande avkodare som heter Frontier, ett tredimensionellt konvolutionellt neuralt nätverk och en transformer med rundtoken. De neurala modellerna tränades på data från en Helios-emulator och tillämpades sedan på experimentella data utan att finjusteras på hårdvarudata.

Här har AI en avgränsad roll: att identifiera felmönster i kvantmätningar. Modellerna ersätter inte kvantprocessorn och visar inte upp någon AI-tillämpning för allmänna ändamål. Deras värde ligger i att balansera avkodningens noggrannhet mot den hastighet som krävs för att upprätthålla upprepade korrigeringscykler.

Forskarna rapporterar att inferenstiderna för neurala nätverk ligger på hundratals mikrosekunder, vilket är förenligt med drift i realtid på den här typen av hårdvara. Viktigt att notera är att all avkodning i studien utfördes offline. Vid strömningstesterna matades mätresultaten in omgång för omgång för att bedöma tidsåtgången; testerna visade inte att de neurala avkodarna styrde en återkopplingsslinga i realtid under hela experimentet.

Den skillnaden innebär att ett viktigt tekniskt delmål återstår, men förringar inte resultatets betydelse: modeller som tränats i simulering tolkade framgångsrikt fel från en fysisk kvantdator.

Vad återstår innan ett minnesrekord kan leda till användbara beräkningar

Quantinuum beskriver resultatet som ett världsrekord och uppger att precisionen nu ligger inom målintervallet för Apollo. Dessa påståenden bör ses mot bakgrund av de bredare kraven på feltolerant databehandling. Ett praktiskt system måste skydda många logiska kvantbitar, utföra ett tillräckligt brett urval av grindar, upprätthålla felkorrigering under beräkningar och ha tillräcklig genomströmning för att slutföra värdefulla beräkningsuppgifter.

Resursbegränsningarna är fortfarande tydliga även i den här studien. Forskarna genomförde inte experimentet med tvåkvantgrindar vid avstånd sju, eftersom det krävde fler kvantbitar än Helios hade tillgängliga. Företagets blogg pekar också ut skalbar beredning av magiska tillstånd under tröskelvärdet – något som behövs för en viktig väg till universell feltolerant databehandling – som ett område där resultaten ännu inte har demonstrerats.

Quantinuums färdplan omfattar systemet Sol år 2027 och Apollo år 2029. Dessa är fortfarande utvecklingsmål. De nuvarande beläggen är mer begränsade, men betydelsefulla: på befintlig hårdvara minskade ändringar av koden, kontroll av läckage och förbättrad avkodning de logiska minnesfelen avsevärt.

För kvantindustrin riktar resultatet uppmärksamheten mot en mer krävande fråga än om en processor över huvud taget kan demonstrera felkorrigering: om skyddet kan skalas upp till att omfatta hela den apparatur som krävs för användbara beräkningar. För AI-forskare är det ett konkret exempel på hur maskininlärning kan bidra till detta arbete på kontrollinfrastrukturens nivå.