Waarom heeft elke kwantumcomputer een krachtige klassieke computer nodig?

Een van de meest verrassende dingen over quantum computing is dat het vakgebied, ook al blijkt het niet bijzonder nuttig, al een groot aantal startups heeft voortgebracht die zich richten op het bouwen van iets anders dan qubits. Het is misschien gemakkelijk om dit af te doen als opportunisme – een poging om te profiteren van de hype rond quantum computing. Maar het kan de moeite waard zijn om te kijken naar waar deze startups zich op richten, omdat ze indicatief kunnen zijn voor moeilijke problemen in quantum computing die nog niet zijn opgelost door een van de grote bedrijven die op dit gebied betrokken zijn – bedrijven als Amazon, Google, IBM, en Intel.

In het geval van een in Groot-Brittannië gevestigd bedrijf genaamd Riverlane is het onopgeloste deel dat wordt aangepakt de enorme hoeveelheid klassieke berekeningen die nodig zouden zijn om kwantumapparaten te laten werken. Meer specifiek richt het zich op de enorme hoeveelheid gegevensverwerking die nodig zou zijn voor een belangrijk onderdeel van kwantumfoutcorrectie: herkennen wanneer er een fout is opgetreden.

Foutdetectie tegen gegevens

Alle qubits zijn kwetsbaar en hebben de neiging hun status te verliezen tijdens operaties, of gewoon na verloop van tijd. Ongeacht de gebruikte technologie – koude atomen, supergeleidende transistors of iets anders – stellen deze foutenpercentages een harde grens aan de hoeveelheid berekeningen die kunnen worden uitgevoerd voordat fouten onvermijdelijk worden. Dit sluit vrijwel alle bruikbare berekeningen uit die rechtstreeks op bestaande qubits werken.

De algemeen aanvaarde oplossing voor dit probleem is het werken met zogenaamde logische qubits. Deze methode omvat het aan elkaar koppelen van meerdere qubits van apparaten en het onderling doorgeven van kwantuminformatie. Extra qubits worden vanuit de hardware gekoppeld, zodat ze kunnen worden gemeten om fouten in de gegevens te monitoren, zodat deze kunnen worden gecorrigeerd. Er kunnen tientallen hardware-qubits nodig zijn om één enkele logische qubit te creëren, wat betekent dat zelfs de grootste bestaande systemen slechts ongeveer 50 krachtige logische qubits kunnen ondersteunen.

Steve Brierley, oprichter en CEO van Riverline, vertelde Ars dat foutcorrectie niet alleen druk uitoefent op qubit-hardware; Het zet ook het klassieke deel van het systeem onder druk. Elke qubit-meting die wordt gebruikt om het systeem te monitoren, moet worden verwerkt om eventuele fouten te detecteren en te verklaren. We hebben ongeveer 100 logische qubits nodig om enkele van de eenvoudigste interessante berekeningen uit te voeren, wat betekent dat we duizenden hardware-qubits moeten monitoren. Het uitvoeren van complexere berekeningen kan duizenden logische qubits betekenen.

Foutcorrectiegegevens (in dit veld syndroomgegevens genoemd) moeten tussen elke bewerking worden gelezen, wat resulteert in een grote hoeveelheid gegevens. “Op schaal hebben we het over honderd terabytes per seconde. Bij een miljoen fysieke qubits verwerken we ongeveer honderd terabytes per seconde, wat het wereldwijde streaming-equivalent is van Netflix”, aldus Brierley.

Ze moeten ook in realtime worden verwerkt, anders lopen de berekeningen vast in afwachting van het corrigeren van de fout. Om dit te voorkomen, moeten fouten in realtime worden gedetecteerd. Voor op transmon gebaseerde qubits worden qubit-gegevens ruwweg elke microseconde gegenereerd, dus real-time zou betekenen dat de verwerking van gegevens – misschien wel terabytes daarvan – moet worden voltooid met een frequentie van ongeveer een megahertz. Riverlane is opgericht om apparaten te leveren die hiermee overweg kunnen.

Gegevensverwerking

Het door het bedrijf ontwikkelde systeem wordt beschreven in een onderzoekspaper dat het heeft uitgebracht Het is gepubliceerd op arXivHet is ontworpen om syndroomgegevens te verwerken nadat andere apparaten analoge signalen in digitale vorm hebben omgezet. Hierdoor kunnen de apparaten van Riverlane buiten de lage-temperatuurhardware zitten die nodig is voor sommige vormen van fysieke qubits.

Deze gegevens worden door een algoritme geleid dat het onderzoek ‘collision cluster decoding’ noemt en dat de foutdetectie afhandelt. Om de doeltreffendheid ervan aan te tonen, implementeerden ze het op basis van een typische veldprogrammeerbare poortarray van Xilinx, die slechts ongeveer 5% van de chip in beslag neemt, maar logische qubits kan verwerken die zijn opgebouwd uit ongeveer 900 fysieke qubits (in dit geval gesimuleerd).

Het bedrijf toonde ook een aangepaste chip die een grotere logische qubit aankan, terwijl hij slechts een fractie van een vierkante millimeter in beslag neemt en slechts 8 milliwatt aan stroom verbruikt.

Beide versies zijn zeer gespecialiseerd; Ze voorzien eenvoudigweg andere delen van het systeem van foutinformatie waarop actie kan worden ondernomen. Deze oplossing is dus zeer gericht. Maar het is ook erg flexibel omdat het met verschillende foutopsporingscodes werkt. Cruciaal is dat het ook kan worden geïntegreerd met systemen die zijn ontworpen om qubits te controleren op basis van geheel andere fysica, waaronder koude atomen, gevangen ionen en dragers.

“Ik denk dat het eerst een puzzel was,” zei Brierley. “Je hebt al deze verschillende soorten natuurkunde; hoe gaan we dit doen?” Het blijkt geen grote uitdaging te zijn. ‘Een van onze technici werkte in Oxford met supergeleidende qubits, en ’s middags werkte hij met ijzeren qubits. Hij kwam terug naar Cambridge en zei: ‘Ze gebruiken dezelfde besturingselektronica.’ dat ongeacht de natuurkunde Iedereen die betrokken is bij het controleren van qubits dezelfde hardware uit een ander veld heeft geleend (het is een Xilinx-radiofrequentiesysteem op een chip dat is gebouwd voor 5G-basisprototypes, en dat maakt het relatief eenvoudig om de aangepaste hardware van Riverlane te integreren met een verscheidenheid aan systemen), zei Brierley.