Syndroomextractie: hoe kwantumcomputers hun eigen fouten opsporen zonder ze te bekijken
Een kwantumcomputer is verschrikkelijk fragiel. De kwantumbits (qubits) waarmee zo'n machine rekent, verliezen hun informatie al bij het geringste contact met de buitenwereld: trilling, warmte, een stray magneetveldje. Dat noemen onderzoekers decoherentie. Syndroomextractie is de techniek waarmee je die fouten opspoort en corrigeert, zonder de kwantuminformatie zelf te vernietigen. Het is daarmee een van de belangrijkste bouwstenen op weg naar een kwantumcomputer die daadwerkelijk nuttige, betrouwbare berekeningen kan uitvoeren.
Vergelijk het met een ziekenhuis dat een patiënt in coma wil onderzoeken zonder hem wakker te maken. Je kunt niet zomaar vragen "waar doet het pijn?", want dat zou de patiënt (de kwantumtoestand) verstoren. In plaats daarvan meet je indirecte signalen: hartslag, bloeddruk, temperatuur. Die signalen samen vormen een "syndroom" waaruit artsen kunnen afleiden wát er mis is, zonder de patiënt zelf aan te raken. Precies zo werkt syndroomextractie: hulp-qubits meten aanwijzingen over fouten in de rekenqubits, zonder de kostbare kwantuminformatie daarin te verstoren.
Wat is het precies?
Een gewone computerbit is een simpel schakelaartje: 0 of 1. Een qubit kan dankzij kwantummechanica in een mengvorm van 0 én 1 tegelijk verkeren, een superpositie. Dat is precies waarom kwantumcomputers potentieel zo krachtig zijn, maar ook waarom ze zo kwetsbaar zijn: zodra je een qubit rechtstreeks meet om te checken of er een fout is opgetreden, "klapt" die superpositie in tot een gewone 0 of 1. De informatie is dan verdwenen.
De oplossing, bedacht in de jaren negentig door onder anderen Peter Shor en later uitgewerkt door Daniel Gottesman in het zogeheten stabilizer-formalisme, is redundantie. Je codeert één "logische" qubit niet in één fysieke qubit, maar verdeelt de informatie over een groot aantal fysieke qubits, gerangschikt volgens een foutcorrectiecode. De bekendste is de surface code (oppervlaktecode), waarbij qubits op een rooster liggen, deels als dragers van data en deels als hulp-qubits.
Die hulp-qubits, ook wel ancilla-qubits genoemd, worden via specifieke kwantumpoorten (meestal CNOT-poorten) gekoppeld aan een klein groepje naburige dataqubits. Vervolgens meet je alleen de hulp-qubit, niet de dataqubits zelf. De uitkomst van die meting is het "syndroom": een reeks nullen en enen die vertelt óf en waar een fout is opgetreden, zonder te verraden wat de eigenlijke opgeslagen kwantuminformatie is. Dit hele proces heet syndroomextractie.
Een klassieke computer (de "decoder") leest de syndromen uit en berekent, met algoritmes zoals minimum-weight perfect matching of neurale netwerken, welke correctie waarschijnlijk nodig is. Belangrijk: deze cyclus van meten, decoderen en corrigeren moet continu herhaald worden, vaak duizenden keren per seconde, zolang de berekening duurt. Eén enkele meting is dus niet genoeg; het is een doorlopend bewakingsproces.
Wat wil men ermee bereiken?
Het uiteindelijke doel heet fouttolerante kwantumcomputatie: een kwantumcomputer die lang genoeg foutvrij kan rekenen om problemen op te lossen die voor klassieke supercomputers onhaalbaar zijn, bijvoorbeeld in scheikunde (nieuwe medicijnen en materialen), optimalisatie, of het kraken (en juist beveiligen) van cryptografie.
Zonder foutcorrectie blijven kwantumcomputers beperkt tot proof-of-concept-experimenten: de huidige generatie "ruwe" (fysieke) qubits maakt al na een fractie van een seconde te veel fouten om een lange, betekenisvolle berekening uit te voeren. Syndroomextractie is de sleutel om van individueel onbetrouwbare fysieke qubits een collectief betrouwbare "logische" qubit te maken.
Er is een cruciale drempelwaarde, de foutdrempel (threshold): als de foutkans per individuele kwantumpoort onder een bepaald percentage blijft (afhankelijk van de code, ruwweg rond de 1 procent voor surface codes), dan geldt: hoe meer fysieke qubits je gebruikt om één logische qubit te coderen, hoe kleiner de kans op een logische fout wordt. Onder die drempel werkt opschalen dus in je voordeel; erboven werkt het juist averechts en stapelen fouten zich alleen maar op.
Voorbeelden uit de praktijk
Verschillende laboratoria en bedrijven hebben de afgelopen jaren concrete stappen gezet:
- Google Quantum AI (2023-2024) publiceerde in het tijdschrift Nature resultaten met de processorchip Willow waarin voor het eerst overtuigend werd aangetoond dat een grotere surface code (meer fysieke qubits per logische qubit) een láger logisch foutpercentage opleverde in plaats van hoger. Dit "below threshold"-resultaat gold lang als een van de belangrijkste mijlpalen in het veld.
- IBM Quantum werkt sinds enkele jaren aan zijn Heron-processoren en heeft een publieke routekaart die moet leiden naar een grootschalig fouttolerant systeem (met de naam Starling) later dit decennium. IBM onderzoekt naast surface codes ook alternatieve, qubit-zuinigere codes.
- Quantinuum, dat werkt met qubits opgeslagen in gevangen ionen (trapped ions), demonstreerde real-time syndroomextractie en foutcorrectie waarbij logische qubits een lagere foutkans hadden dan de onderliggende fysieke qubits, een mijlpaal die vaak "break-even" wordt genoemd.
- QuTech, het kwantumonderzoeksinstituut van de TU Delft en TNO, doet fundamenteel onderzoek naar surface codes en alternatieve foutcorrectiecodes, onder meer met supergeleidende en spin-qubits, en werkt aan snellere, nauwkeurigere uitleesschema's voor syndroommetingen.
- PsiQuantum kiest voor een fotonische aanpak (qubits gecodeerd in lichtdeeltjes) en claimt hiermee sneller naar een utility-scale, fouttolerante machine toe te kunnen werken, al is deze aanpak nog minder ver publiekelijk gedemonstreerd dan de surface-code-experimenten van Google en IBM.
Hoe ver is de techniek?
Het veld heeft de afgelopen vijf jaar duidelijk momentum gekregen, maar het verschil tussen een laboratoriumdemonstratie en een bruikbare, grootschalige kwantumcomputer blijft groot. Enkele knelpunten:
Overhead. Eén betrouwbare logische qubit kost op dit moment nog tientallen tot honderden fysieke qubits, afhankelijk van de gewenste foutkans. Voor de grote, praktisch relevante berekeningen die onderzoekers voor ogen hebben, zijn naar schatting duizenden tot miljoenen fysieke qubits nodig. De huidige machines tellen er hooguit enkele honderden.
Snelheid en latency. Syndroomextractie moet razendsnel en continu gebeuren, terwijl de klassieke decoder de uitkomsten net zo snel moet verwerken om bij te blijven. Vooral bij supergeleidende qubits, die zeer snel maar ook snel foutgevoelig zijn, is dit een technische uitdaging.
Meetfouten in de meting zelf. Ironisch genoeg introduceert het meetproces van de hulp-qubits soms zelf weer fouten, wat de ontwerp van de foutcorrectiecodes complexer maakt.
Toch is de trend duidelijk: waar onderzoekers tien jaar geleden nog moesten bewijzen dát foutcorrectie in principe kon werken, wordt er nu gewerkt aan opschaling en snelheid. De meeste roadmaps van grote spelers mikken op eerste bruikbare, fouttolerante systemen ergens tussen 2029 en het midden van de jaren 2030, al zijn dat soort voorspellingen in de kwantumsector traditioneel optimistisch gebleken.
Wie werken eraan?
Het onderzoek concentreert zich bij een beperkt aantal grote technologiebedrijven en gespecialiseerde start-ups: Google Quantum AI en IBM Quantum lopen voorop met supergeleidende qubits, Quantinuum en IonQ met gevangen ionen, PsiQuantum met fotonica, en Microsoft met een (omstreden en nog niet overtuigend gedemonstreerde) topologische aanpak. Amazon heeft een eigen Center for Quantum Computing dat aan foutcorrectie werkt.
Op onderzoeksinstituutsniveau spelen QuTech (Delft, Nederland), Yale University, MIT, Caltech en het Duitse Max Planck Institute een vooraanstaande rol. Landen die fors investeren in nationale kwantumprogramma's zijn onder meer de Verenigde Staten, China, Duitsland, het Verenigd Koninkrijk en Nederland, dat via het Nationaal Groeifonds en QuTech een van de Europese zwaartepunten in kwantumtechnologie herbergt.