量子コンピュータは、いつか現在想像しうる最も強力なスーパーコンピュータをも超える問題を解くことを約束している。しかし、これらのマシンを動作させるためにどれほどの古典的コンピューティングが必要とされるかは、しばしば過小評価されている。量子ビット数が増加するにつれ、これらの支援インフラにおける革新が、量子コンピュータがその約束を果たすために不可欠となる。

業界が目指す量子コンピュータの規模に備えるため、多くの企業はそれらを支えるために必要な古典的ハードウェアおよびソフトウェアの準備も進めている。4月、Nvidiaは量子コンピュータを支える古典的タスクを加速させる新しいAIベースのソフトウェアを発表した。シドニー拠点の量子ソフトウェア企業Q-CTRLは量子コンピュータ向けの自動キャリブレーションアルゴリズムを開発しており、現在Nvidiaのエージェントベースシステムを活用している。IBM Quantum、量子エラー訂正を開発する英国ケンブリッジ拠点のRiverlane、Google Quantum AIを含む他の企業も同様のツールを開発している。

量子における古典の役割

デジタルコンピュータチップは工学の驚異であり、箱から出してすぐに完璧に動作し、エラーなく数兆回の演算を実行できる。一方、量子コンピュータの心臓部である量子ビット（qubits）は気まぐれで信頼性が低く、軌道を維持するためには定期的なキャリブレーションと複雑なエラー訂正方式が必要となる。

キャリブレーションとエラー訂正は根本的に量子ではなく古典の問題であり、それを解決するためには専用の古典的ハードウェアが必要である。量子コンピュータが大きくなるにつれ、それらのリソースの規模も歩調を合わせて拡大する必要がある。つまり、 foreseeable future（当面の間）、量子コンピュータは古典的コンピューティングを十分に備えたハイブリッドデバイスとなる。

「ほとんどのコンピュータプログラムを実行する最も安価で高速な方法は、量子コンピュータが利用可能であっても古典的コンピュータで実行することです」と、Google Quantum AIの量子ソフトウェアエンジニアであるAdam Zalcmanは述べる。「これは量子コンピュータ自体の動作に関わるほとんどの情報処理にも当てはまります。…したがって、すべての実用的かつ効率的な量子コンピュータアーキテクチャには、高速な古典的デバイスが組み込まれると私は予想します。」

量子ハードウェアのチューニング

トランジスタが古典的チップの基盤部品としての地位を確立した一方で、量子コンピュータの心臓部である量子ビットには、超伝導回路、トラップイオン、中性原子、さらには個々の光子など、多くの種類がある。それらを計算に用いるには、基礎となるハードウェアの「ベアメタル」を制御可能な量子ビットに変換する、骨の折れるキャリブレーションプロセスが必要だと、Q-CTRLの主任プロダクトマネージャーであるJay Guilmartは述べる。

キャリブレーションには2つの段階がある。最初の段階は「bring up」と呼ばれ、各量子ビットが共鳴する周波数、量子状態を保持する時間、制御パルスに対する感度、隣接量子ビットとの相互作用の強さを決定する。これらすべての要素がエラー発生率と制御信号に対する応答を決定する。

手作業で行う場合、Ph.D.保有者が必要で、数日あるいは数週間かかるとGuilmartは言う。これはスケーラブルな解決策ではなく、したがってプロセスを自動化する動きが高まっている。これは各ステップが前のステップの結果に依存するため困難である。そこでQ-CTRLは、各測定結果を検証し、失敗を診断し、アプローチを調整してから再試行する、インテリジェントなキャリブレーションソフトウェアを構築した。

「各ステップの後で、そのデータを分析し、次のステップに進んでよいか？ 前のステップに戻る必要があるか？ このステップを再作成する必要があるか？ と判断します」とGuilmartは述べる。

キャリブレーションは一度きりのプロセスではない。主要パラメータは時間とともにドリフトし、徐々に性能を低下させる。Q-CTRLのソフトウェアは「runtime recalibration」を実行して状態を元に戻すが、オンフライ調整に実用的な限界がある。

「再キャリブレーションを実行している間は回路を実行していません」と彼は言う。「ある程度高いシステム状態と高い忠実度を維持していても、それがすべてのアップタイムを費やすなら無意味です。」

リアルタイムでのエラー復号

十分にキャリブレーションされた量子コンピュータであっても故障しやすいため、企業は量子エラー訂正（QEC）に多額の投資をしている。これは通常、量子情報を多数の物理量子ビットにまたがる共有状態（「論理量子ビット」）に符号化し、個々の量子ビットのエラーを符号化された情報を破壊せずに検出・補償できるようにするものである。

量子ビットを直接測定すると量子状態が崩壊するため、エラーはパリティチェックを通じて検出される。これは量子ビットペアが同じ状態を共有しているかどうかを問い合わせるものであり、「シンドローム」と呼ばれる一連の測定結果を生成する。古典的アルゴリズムであるデコーダがこれを解析してエラーの位置を特定する。

このプロセスは極めて迅速に行われなければならない。多くのエラーは演算後に数学的に記録・訂正できるが、一部はアルゴリズムが続行する前に即座に訂正する必要がある。超伝導量子ビットやシリコンスピン量子ビットは量子状態をマイクロ秒またはミリ秒程度しか保持できないため、エラーはそれらの時間窓内で復号・訂正されなければならない。

これらの厳しい要件により、デコーダは通常、速度に最適化されたfield-programmable gate arrays（FPGAs）やapplication-specific integrated circuits（ASICs）のような専用シリコン上で動作すると、IBMの量子中心スーパーコンピューティング CTOであるJerry Chowは述べる。「追いつく必要があり、効果的にオンフライで復号する必要があります」と彼は言う。「それを実現する最善の方法は、非常に密接に統合されたFPGAまたはASICデコーダ機能です。」

AIを使うか、使わないか

量子ハードウェア制御を簡素化するためのAI利用への関心が高まっている。4月、Nvidiaはキャリブレーションと復号を対象とした2つのモデルをリリースした。1つ目は視覚言語モデルを使用してキャリブレーション測定の出力（通常グラフとしてプロットされる）を分析し、その評価をAIエージェントに渡してプロセッサの調整方法を決定する。2つ目は畳み込みニューラルネットワークを使用して、故障の大部分を占める単純で局所的なエラーを識別する。より複雑なエラーは従来のアルゴリズムデコーダに渡されるが、最初の処理により計算負荷が十分に低減され、2倍の高速化を実現する。

復号におけるAIの魅力は、モデルの学習には時間がかかる一方で、推論は極めて高速であり、多くのチップにわたる並列化のおかげで、量子ビット数が増加してもその速度が維持される点だと、Nvidiaの量子プロダクトディレクターであるSam Stanwyckは述べる。

しかし、GPUへのオフロードは依然として大きなレイテンシをもたらすと、Riverlaneのエンジニアリング副社長であるMarco Ghibaudiは述べる。「パイプを太くすることはできますが、それが本当に長いのです」と彼は言う。「私たちのアプローチは、常に不要なステップをできるだけ取り除き、パイプを短くし、そしてパイプの各セクションを可能な限り高速にすることでした。」

IBMのChowも、GPUのレイテンシは現在リアルタイム復号には現実的でないことに同意する。また、キャリブレーションにおけるAIについても、その計算コストの高さから慎重な姿勢を示している。このアプローチは、新しいアーキテクチャや新しい種類の回路の物理を理解する上では有望である。しかし、単に小さな偏差を探すだけの十分に特性化されたデバイスでは、より単純な物理情報に基づく手法の方がはるかに安価である。

しかし、2つのアプローチは相互排他的ではないと、GoogleのZalcmanは述べる。ニューラルネットワークは、アルゴリズムデコーダが見逃すことがある複雑なエラーを特定するのに役立つ、シンドロームデータ内の隠れたパターンを発見することに優れている。Googleは、従来型とAIベースの両方のデコーダ（AlphaQubit 2モデルを含む）を組み込むことができるハードウェアアーキテクチャを開発している。

長期的には、AIデコーダに取り組むHarvardのPh.D.学生であるAndi Guは、「苦い教訓」が復号にも当てはまると考えている。これは、AIのパイオニアであるRichard Suttonの、一般的な学習手法は手作りのアルゴリズムを時間の経過とともに一貫して上回るという主張を指す。「モデルを十分に大きくし、十分な学習データを投入すれば、どんな手書きのアルゴリズムよりも隠れた相関関係をよりよく捉えることを学習するでしょう」とGuは述べる。

レイテンシは依然として障壁であるが、彼のグループはAIデコーダをより効率的かつ小型化し、FPGAに収まるようにして応答時間を短縮する方法を研究している。ただし、これは精度を低下させる可能性があるため、適切なバランスを見つけることは依然として進行中の課題である。

どのアプローチが勝つにせよ、1つ確かなことは、将来の量子コンピュータには大規模な古典的支援が必要となるということである。Guは、使用する手法に関わらず、復号は継続的かつ計算コストの高いプロセスであるため、そのタスクに専用の古典的ハードウェアの「健全な塊」が必要になると述べる。

キャリブレーションの計算オーバーヘッドも、デバイスが数千または数百万量子ビットにスケールするにつれて同様に「爆発」すると、Q-CTRLのGuilmartは述べる。現在の技術はスケールしにくいため、新しいアプローチが必要になると彼は付け加える。「1,000量子ビットに到達した時点で、再設計し、異なる方法で行う必要が出てくるでしょう」と彼は言う。「したがって、今日の時点で誰かが勝利しているわけではありません。」