En molnbaserad kvantbrusmodell förutsäger fel hos supraledande kvantbitar med sju gånger högre noggrannhet

Forskare från Johns Hopkins Applied Physics Laboratory (APL) i Laurel, Maryland, och Johns Hopkins University i Baltimore har utvecklat ett praktiskt och heltäckande ramverk för brusmodellering av en populär typ av supraledande kvantprocessorer.

Deras arbete, som publicerats i tidskriften PRX Quantum, ger en sju gånger bättre förutsägbarhet jämfört med befintliga metoder.

Kvantbitar, eller qubits, är i sig känsliga för brus – störningar som uppstår på grund av miljöfaktorer såsom elektriska och magnetiska fält eller temperaturvariationer – till följd av den extrema känslighet som gör dem så värdefulla för databehandling. Att utveckla exakta brusmodeller är avgörande för att skapa de robusta kvantalgoritmer och motståndskraftiga felkorrigeringsprotokoll som krävs för att bygga verkligt feltoleranta kvantdatorer.

”För att verkligen driva området framåt behöver vi modeller som kan förutsäga ett brett spektrum av beteenden samtidigt som de använder ett litet antal parametrar, snarare än teoretiska modeller som försöker redogöra för all den grundläggande fysik som spelar in i kvantinteraktioner”, säger projektledaren Gregory Quiroz, seniorfysiker vid APL och biträdande forskningsprofessor vid Institutionen för fysik och astronomi vid Johns Hopkins University Krieger School of Arts and Sciences. ”Det nya med vår metod ligger i ett enhetligt och experimentellt validerat ramverk som kopplar samman flera brusmekanismer och ger en sammanhängande prediktiv metodik.”

Karakterisering av brus i molnbaserade kvantprocessorer

För att studera kvantbrus i verkliga system med flera kubiter utnyttjade teamet molnåtkomst till 39 kubiter fördelade på sju supraledande enheter. Mer specifikt studerade de transmoner, en typ av supraledande kvantbit som uppskattas för sin minskade känslighet för brus från elektrisk laddning och därför är populär i vanliga kvantdatorarkitekturer. Att förlita sig på molntillgång innebar en möjlighet men också en utmaning, eftersom teamet var tvunget att ta reda på hur man studerar och karakteriserar brus på kvantdatorerna utan låg nivå-tillgång till hårdvaran. Denna brist på tillgång återspeglar också allt vanligare scenarier i verkligheten som involverar proprietära system, noterade Quiroz.

”Verkliga kvantdatoranvändare kommer inte heller att ha åtkomst till hårdvaran på låg nivå – de kommer bara att köra applikationer och måste kunna lita på att de fungerar korrekt”, sade han. ”Våra experiment speglar dessa förhållanden.”

Yasuo Oda, artikelns försteförfattare och en postdoktorand som var Quiroz student vid JHU samtidigt som han bidrog till studien, sade att det krävdes ett kreativt tillvägagångssätt för att komma runt den begränsningen.

”I grund och botten försöker vi driva en övergång i ett system av kubiter från ett tillstånd till ett annat – med andra ord, att utföra en kvantberäkning – och studera hur brus påverkar framgången för den operationen”, sade Oda. ”Det låter enkelt, men det specifika sättet man faktiskt driver den övergången på varierar kraftigt från plattform till plattform. Utan åtkomst på låg nivå hade vi begränsad insikt i hårdvarans egenskaper.”

I stället för att studera en enskild operation i detalj körde teamet upprepade beräkningar på kvantprocessorerna för att driva fram en ackumulering av fel. Genom att studera hur ofta dessa ackumulerade fel inträffade och hur mycket de avvek från det förväntade resultatet kunde de få insikter i vad som hände i det underliggande fysiska systemet.

En enkel men omfattande modell

Viktigt är att teamets tillvägagångssätt gjorde det möjligt för dem att karakterisera två fundamentalt olika typer av fel – ofta kallade ”inkohärenta” och ”kohärenta” fel – i en enda modell. Inkoherenta fel uppstår när information går förlorad utan möjlighet till återställning; koherenta fel kan till exempel representera brister i kalibreringen av styrhårdvaran och är möjliga att åtgärda.

”Om man har tillgång till data om koherenta fel har man möjlighet att konstruera ett system för att förhindra dem eller åtgärda dem i efterhand”, sade Oda.

Även om det finns omfattande litteratur om båda typerna av fel studeras de vanligtvis isolerat. Såvitt teamet vet har ingen skapat ett enda prediktivt ramverk som sammanför båda typerna av fel för supraledande kvantbit-hårdvara.

”Vi lyckades sammanföra en stor variation av fel i en enda modell, som är enkel vad gäller parametrar men också omfattande när det gäller de typer av fenomen den kan beskriva – och till och med förutsäga prestandan hos små kvantalgoritmer”, sade han. ”Det är vårt största bidrag.”

Från karakterisering till korrigering

Nu när teamet har skapat denna modell blir nästa steg att tillämpa den för att förbättra hårdvarans prestanda, sade Quiroz.

”Nu när vi har denna lågviktsbrusmodell har vi möjlighet att tillämpa den på alla nivåer i kvantdatorstacken, från hårdvarudesign till algoritmdesign till felkorrigering”, sade han. ”Den information vi kan få från modellen kan ge underlag för varje nivå i kvantdatorstacken.”

Detta arbete är en del av SMART Stack, ett APL-lett projekt som fokuserar på att utforma komponenter och principer för kvantmjukvarustacken som gör felkaraktärisering och felhantering mer skalbar, modulär, plattformsoberoende, omkonfigurerbar och målinriktad (därav namnet SMART) i nuvarande och framtida kvantprocessorer. APL:s partners i detta arbete inkluderar forskare vid University of Chicago, University of Michigan, Unitary Foundation, Lawrence Livermore National Laboratory och Infleqtion. Arbetet bygger på tidigare framgångar inom kvantfelhantering och är en del av APL:s större portfölj inom kvantdatavetenskap.

”APL är engagerat i att karakterisera och mildra kvantbrus och fel på alla nivåer i kvantdatorstacken, inklusive hårdvara, mjukvara och hybriddatasystem som kombinerar kvant- och klassiska datorer”, säger Kevin Schultz, biträdande programchef för alternativa databehandlingsparadigm inom APL:s forsknings- och utvecklingsområde samt medförfattare till artikeln. ”Denna brusmodell utgör ett viktigt steg mot att uppnå dessa mål.”