Onderzoekers hebben een nieuwe methode ontwikkeld om quantumfouten in real-time te corrigeren door klassieke hardware en neurale netwerken te optimaliseren. De nieuwe decoder, genaamd 'Rapids', biedt een significante verbetering in zowel snelheid als nauwkeurigheid voor fouttolerante quantumcomputatie.
Het realiseren van fouttolerante quantumcomputatie vormt een van de grootste technische uitdagingen binnen de moderne natuurkunde. Een cruciaal onderdeel hiervan is de zogenaamde klassieke decoder. Deze moet in staat zijn om 'syndroommetingen' te verwerken met een snelheid die gelijk is aan de snelheid waarmee deze metingen worden gegenereerd. Bovendien moeten de beslissingen met een zeer lage latentie worden teruggekoppeld om de berekeningen stabiel te houden.
Volgens een wetenschappelijk artikel dat op 19 november 2026 is gepubliceerd via arxiv.org, is deze eis het meest uitdagend voor supergeleidende processoren. Bij dit type hardware dwingen de snelle cycli van de syndroommetingen onderzoekers tot een lastige keuze tussen de snelheid van de decodering en de nauwkeurigheid ervan. Decoders die snel genoeg zijn om het tempo bij te houden, leveren vaak minder nauwkeurige resultaten. Om dit gebrek aan precisie te compensen, zijn grotere codes nodig, wat op zijn beurt weer meer fysieke qubits vereist.
De introductie van Rapids
Om dit probleem op te lossen, hebben Chenyang Jin, Susanne F. Yelin en Andi Gu de 'Rapids'-decoder ontwikkeld. Dit is een streaming neurale decoder die specifiek is ontworpen om zowel snelheid als precisie te combineren. De kern van deze innovatie ligt in het zogenaamde 'co-design': de decoder is samen met de hardware ontwikkeld.
Concreet is het neurale netwerk opgebouwd uit operaties die efficiënt kunnen worden uitgevoerd op een Field-Programmable Gate Array (FPGA). Daarnaast is het netwerk getraind met behulp van gehele-getal-rekenkunde (integer arithmetic), wat optimaal aansluit bij de werking van het apparaat.
De resultaten van deze aanpak zijn volgens de auteurs van het indrukwekkend. Voor de zogenaamde 'distance-19 surface code' kan Rapids elke ronde van syndromen in minder dan een microseconde decoderen op een enkele FPGA. Dit is snel genoeg voor de eisen van supergeleidende processoren. Bovendien is de logische foutmarge van Rapids 240 keer lager dan die van bestaande hardware-decoders die in real-time werken.
Brede toepasbaarheid en schaalbaarheid
De effectiviteit van Rapids beperkt zich niet enkel tot één type code. De onderzoekers tonen aan dat hetzelfde ontwerp ook kan worden toegepast op de 'color code' en de [[144,12,12]] bivariate-bicycle code. In het geval van die laatste code bleek de nieuwe decoder 16 keer nauwkeuriger te zijn dan de bestaande real-time Relay-decoder, zoals vermeld in de .
Een belangrijk aspect van het onderzoek is de schaalbaarheid van het systeem. De auteurs stellen dat de decoder kan worden uitgebreid door deze over meerdere FPGA's te verspreiden of door de technologie te implementeren in aangepaste siliciumchips (custom silicon). Hierdoor kan de decoder nog sneller worden, nauwkeuriger presteren of in staat zijn om grotere codes te verwerken.
Hiermee verschuift de focus van quantumverbetering gedeeltelijk naar de klassieke ondersteuning. Klassieke hardware wordt hiermee een cruciale hulpbron die, net als de qubits zelf, kan worden opgeschaald om de prestaties van fouttolerante quantumcomputers te verbeteren. De volledige details van deze bevindingen, inclusief vijf figuren en diverse uitgebreide datatabellen, zijn terug te vinden in het .