Onderzoekers hebben CHEQ ontwikkeld, een gespecialiseerd hardwareplatform dat het testen van quantum error correction (QEC) decoders aanzienlijk versnelt door middel van efficiënte ruissampling op een FPGA.
Het valideren van hardwarematige QEC-decoders is een kritieke stap voordat deze in actieve quantumcomputers kunnen worden ingezet. Deze decoders moeten niet alleen logische fouten effectief onderdrukken, maar ook strikte timingseisen naleven. Volgens een recent wetenschappelijk artikel op arxiv.org is dit proces complex omdat zeldzame logische fouten en overschrijdingen van deadlines een enorme hoeveelheid monsters (sampling) vereisen om statistisch betrouwbaar te zijn.
De beperkingen van softwarematige evaluatie
Traditionele evaluaties op algoritmisch softwareniveau schieten tekort omdat ze de werkelijke responstijden van hardware niet direct kunnen meten. Bovendien zijn circuit-level ruismodellen complex; hoewel er veel mogelijke foutmechanismen zijn, treden er bij lage fysieke foutpercentages per 'shot' slechts weinig fouten op. Dit maakt het uitvoeren van een volledige scan per shot inefficiënt.
Om dit probleem op te lossen, presenteren Sechan Park, Woojoo Lee en hun collega's het platform CHEQ. Dit systeem is geïntegreerd op een Field Programmable Gate Array (FPGA) en combineert on-chip sampling, gelijktijdige evaluatie van decoders, scoring en controle via RISC-V.
Innovatie in sampling en doorvoer
De kern van CHEQ ligt in de zogenaamde 'Sampling Units'. Deze maken gebruik van geometrische skipping om locaties van fouten te bepalen op basis van detectormodellen. Door het doorlopen van mechanismen over meerdere shots binnen een batch te spreiden, wordt de efficiëntie verhoogd.
Een cruciaal kenmerk van deze methode is dat de distributie van de shots onafhankelijk blijft van de batchgrootte, mits er gebruik wordt gemaakt van exacte geometrische sampling en onafhankelijke trekkingen. Dit stelt ontwikkelaars in staat om een strategische afweging te maken tussen geheugengebruik en doorvoersnelheid. In de publicatie op wordt beschreven hoe een doorvoermodel helpt bij het bepalen van het ideale aantal Sampling Units, de batchgrootte en het aantal decoders binnen de beperkingen van de FPGA-bronnen.
Prestaties en resultaten
De effectiviteit van het platform is getest onder diverse condities. De resultaten tonen aan dat de gewogen root-mean-square relatieve afwijking in de vuursnelheid ten opzichte van de standaard 'Stim' zeer laag is, met een 95% bovengrens van 0,16% volgens de data op .
Wat betreft hardware-efficiëntie blijkt dat een Sampling Unit bij een batchgrootte van 4.096 slechts 4,8% tot 11,2% van de Look-Up Tables (LUTs) van een Helios-decoder inneemt, afhankelijk van de code-afstanden (7, 9, 11 of 13).
In een praktische test op een AMD VCU118 FPGA, met een code-afstand van 7 en een fysieke foutrate van $10^{-3}$, leverden twee Sampling Units data aan 20 Helios-decoders. Dit resulteerde in een snelheid van 49,2 miljoen shots per seconde. Hierdoor konden $10^{10}$ shots in slechts 3,4 minuten worden voltooid, zonder dat er shot-generatie aan de kant van de host-computer nodig was, zoals vermeld in de documentatie op .
Toekomstige publicatie
Het onderzoek naar CHEQ is breed geaccepteerd binnen de wetenschappelijke gemeenschap. Het artikel is officieel aangenomen voor publicatie in de Proceedings of DATE 2027, zoals aangegeven in de comments van de . Hoewel de naam "CHEQ" ook voorkomt bij commerciële e-commerce platforms zoals cheq.io, is er geen enkel verband tussen die commerciële dienst en dit quantumtechnologische hardwareplatform.