Oprava chyb v kvantovém počítači je díky neuronové síti až stokrát rychlejší

Zprávu přinesl web Quantum Zeitgeist a opírá se o preprint Fast and accurate neural triage decoding of ultra-high-rate quantum LDPC codes, který koncem října 2026 vyšel na arXiv. Autoři jsou Hong-Ye Hu, Zhenlai Wang, Binzhao Luo a Tao Xiang z Čínské akademie věd spolu s Chen Zhaem z Eastern Institute of Technology.

Proč jsou kódy qLDPC úspornější než povrchové kódy

Qubit je křehká věc. Klasický bit drží nulu nebo jedničku, a dokud do něj nikdo nezasáhne, zůstává stabilní. Kvantová informace se naopak rozpadá vlivem šumu, tepla nebo nechtěné interakce s okolím. Kvantový počítač proto jednu logickou informaci zapisuje do více provázaných fyzických qubitů. Tomuto procesu se říká kvantová korekce chyb a bez ní prakticky použitelný kvantový stroj nevznikne.

Většina dosavadních snah technologických gigantů, jako jsou Google nebo IBM, stavěla na takzvaných povrchových kódech (surface codes). Tyto kódy mají velkou výhodu v tom, že vyžadují propojení qubitů pouze s jejich nejbližšími sousedy na čipu, což usnadňuje výrobu hardwaru. Jejich zásadní slabinou je však obrovská režie: na vytvoření jediného spolehlivého logického qubitu často spotřebují stovky až tisíce fyzických qubitů. Pro stavbu užitečného počítače by tak byly potřeba miliony fyzických komponent.

Proto vědci a přední hráči v oboru, jako je společnost Quantinuum nebo týmy kolem Quantum AI, věnují stále větší pozornost kódům qLDPC (quantum low-density parity-check). Tyto kódy umožňují dlouhodosahové kontroly mezi qubity a dramaticky snižují hardwarovou režii. Dokážou uložit několik stovek logických qubitů do přibližně jednoho tisíce fyzických datových qubitů. Kódovací poměr v takovém případě překračuje hodnotu 1/2, takže více než polovina fyzických qubitů skutečně nese data, místo aby sloužila pouze jako ochranný obal.

Úspora součástek má ale háček: dekódování qLDPC kódů je matematicky mnohem složitější než u povrchových kódů. Po každém měření je potřeba v reálném čase spočítat, kde se objevily chyby. Pokud je dekodér pomalý, výpočet se zastaví a kvantová informace mezitím zanikne. A právě zde dosavadní algoritmy narážely na své limity.

Neuronová síť NeuralMP: Předávání zpráv v grafu a adaptivní třídění

Dosavadní dekodéry pro qLDPC kódy představovaly kompromis: buď pracovaly přesně, ale neúnosně pomalu, nebo byly rychlé, ale pro kódy s vysokou hustotou logických qubitů nefungovaly spolehlivě. Pokusy nasadit autoregresní modely nebo architektury transformerů zase narážely na obrovské výpočetní nároky.

Nový rámec nazvaný Triage kombinuje rychlost s přesností prostřednictvím adaptivního výpočtu. Jádrem systému je lokální dekodér NeuralMP, což je specializovaná grafová neuronová síť. Ta reprezentuje qubity a jednotlivé kontrolní uzly kódu jako propojené body v grafu. Opravy chyb předpovídá tím, že si uzly mezi sebou v síti velmi rychle předávají zprávy o pravděpodobném výskytu chyb.

Celý proces probíhá adaptivně: neuronová síť rychle navrhne prvotní korekce a následně je iterativně zpřesňuje podle konzistence syndromu, tedy podle toho, zda naměřené kontrolní hodnoty odpovídají navržené opravě. Název Triage vychází z lékařského třídění pacientů: dekodér chytře přiděluje výpočetní zdroje jen tam, kde syndrom vykazuje nesrovnalosti, a zbytečně neplýtvá časem na bezproblémové části systému.

Desetkrát až stokrát rychleji, latence kolem 30 milisekund

V praktických testech s využitím Kasai kódů při chybovosti 0,015 dosáhla metoda Triage celkové míry konvergence přesahující 99,97 procenta. Průměrná amortizovaná latence přitom klesla na zhruba 30 milisekund.

V porovnání s tradičně používanými dekodéry typu belief propagation (BP) i pokročilejšími variantami kombinovanými s ordered statistics decoding (BP-OSD) jde o zrychlení o jeden až dva řády, tedy desetinásobně až stonásobně. Přesnost přitom zůstává srovnatelná s téměř optimálními algoritmickými dekodéry.

Důležitou vlastností metody je také její odolnost. Adaptivní výpočet prokázal vysokou stabilitu i v situacích, kdy počáteční předpoklady o typech a vlastnostech chyb neodpovídaly realitě. Pro praktické nasazení na fyzických kvantových procesorech, kde se šum v čase mění, jde o klíčovou výhodu.

Otevřená otázka škálování na tisíce qubitů

Ačkoliv výsledky představují výrazný krok k praktické odolnosti proti chybám, autoři otevřeně přiznávají hlavní limitaci: škálovatelnost zůstává otevřenou otázkou. Dekodér spolehlivě zvládl stovky logických qubitů v bloku přibližně jednoho tisíce fyzických komponent, avšak jeho chování na podstatně větších systémech s desítkami tisíc qubitů zatím nikdo neprověřil.

Práce je v současnosti dostupná jako čerstvý preprint na serveru arXiv a dosud neprošla nezávislým recenzním řízením. Ukazuje však reálný směr, kterým se kvantový výzkum ubírá: umělá inteligence zde neslouží jako generátor textu, ale jako specializovaný matematický nástroj řešící kritické úzké hrdlo kvantového hardwaru.