Naar inhoud

TechnologieNieuws

Riverlane dringt foutpercentage van surface-code met 75 procent terug

Riverlane claimt dat een datagedreven aanvulling op het gangbare foutmodel van een surface-code het aantal logische fouten met 75 procent terugbrengt in simulatie en met 14 procent op bestaande hardware van Google Quantum AI.

Techniek en wetenschap

Gepubliceerd
Bijgewerkt
1 min lezen
Elektronenmicroscoopbeeld van een chip met 11 supergeleidende qubits in een keten
Foto: FMNLab · Wikimedia Commons · CC BY

Riverlane heeft een methode gedemonstreerd die het aantal logische fouten van een surface-code met 75 procent terugbrengt. Dat meldt het bedrijf zelf, gevestigd in Cambridge, VK. Volgens Riverlane spoort de methode gecorreleerde foutmechanismen op die het gangbare detector-foutmodel (DEM) niet meeneemt. DEM beschrijft wiskundig waar en hoe vaak fouten in de meetdata optreden. De aanvulling maakt de decodering nauwkeuriger en verlaagt zo het aantal fouten in de logische qubit.

De methode combineert bekende basisfouten paarsgewijs, op zoek naar hogere-orde ruismechanismen, en toetst elke combinatie met correlatiescreening en een gezamenlijke detectie-inversie, meldt Riverlane. De gevonden verbanden heten hyperedges; Riverlane ontbindt ze in losse onderdelen, zodat grafgebaseerde decoders zoals PyMatching er alsnog mee overweg kunnen.

Op fysieke supergeleidende hardware viel de winst kleiner uit dan in simulatie: bij een surface-code van afstand 7 daalde het aantal logische fouten volgens Riverlane met 14 procent. De foutonderdrukkingsfactor Lambda verbeterde daar met 9 procent over de afstanden 5 tot 7. In simulatie was die winst groter: 20 procent, over afstand 7 tot 15. Voor de hardwaretest gebruikte Riverlane geen eigen chip, meldt het bedrijf zelf. Het nam bestaande meetdata van Google Quantum AI, uit experimenten onder de foutdrempel (below-threshold). Dat de methode ook op zo’n extern dataset werkt, is voor Riverlane het bewijs dat de aanpak niet aan één chip is toegesneden.

Riverlane beschrijft de methode en de resultaten in een preprint op arXiv, als eigen onderzoek dat nog niet door vakgenoten is beoordeeld.

Bronnen

  1. [1]Riverlane Demonstrates Data-Driven DEM-Augmentation to Reduce Surface-Code Logical Errors Quantum Computing Report (GQI)
  2. [2]Discovering correlated error mechanisms: data-driven augmentation of detector error models improving decoding arXiv (quant-ph)
MethodiekHoe dit artikel tot stand kwam
Feiten bevestigd
5 / 5
Bronnen
2
Laatst gecontroleerd
8 nov 2026
Beeld
Foto

Dit artikel is door een AI-systeem geschreven op basis van feiten uit internationale vakmedia, publicaties van bedrijven en onderzoeksinstellingen en openbare bronnen, met de bron bij elk feit, en gecontroleerd volgens onze methodologie. De auteursnaam is een redactioneel pseudoniem. Fouten? Meld ze via de contactpagina.

Gebruikte feiten

  1. Riverlane heeft een data-gedreven methode gedemonstreerd die niet-gemodelleerde, gecorreleerde foutmechanismen opspoort in de meetdata van een supergeleidende surface-code-chip. Daarmee wordt het gangbare detector-foutmodel (DEM) aangevuld, wat de decodering van foutcorrectiecodes nauwkeuriger maakt en het aantal logische fouten verlaagt. arXiv:2611.06605 (Schwartzman-Nowik, Stafford, Varbanov, Camps — Riverlane) · 8 nov 2026
  2. Riverlane's methode zoekt hogere-orde ruismechanismen door bekende basismechanismen paarsgewijs te combineren, en toetst die combinaties via correlatiescreening en een gezamenlijke detectie-inversie. De gevonden verbanden ("hyperedges") worden ontbonden in samenstellende onderdelen, zodat ze bruikbaar blijven voor grafgebaseerde decoders zoals PyMatching. arXiv:2611.06605 (Schwartzman-Nowik, Stafford, Varbanov, Camps — Riverlane) · 8 nov 2026
  3. In simulaties op een surface-code met afstand 15 bracht de aangevulde foutmodellering het aantal logische fouten met 75 procent terug, en verbeterde de foutonderdrukkingsfactor Lambda met 20 procent over de afstanden 7 tot 15. arXiv:2611.06605 (Schwartzman-Nowik, Stafford, Varbanov, Camps — Riverlane) · 8 nov 2026
  4. Op fysieke supergeleidende hardware met een surface-code van afstand 7 verlaagde de methode het aantal logische fouten met 14 procent en verbeterde de foutonderdrukkingsfactor Lambda met 9 procent over de afstanden 5 tot 7, minder dan in de simulatie maar nog altijd een merkbare verbetering. arXiv:2611.06605 (Schwartzman-Nowik, Stafford, Varbanov, Camps — Riverlane) · 8 nov 2026
  5. Voor de benchmark op fysieke hardware gebruikte Riverlane experimentele surface-code-data van Google Quantum AI, afkomstig uit metingen onder de foutdrempel ("below-threshold"), om de methode te testen op een bestaand, extern dataset in plaats van alleen op eigen simulaties. arXiv:2611.06605 (Schwartzman-Nowik, Stafford, Varbanov, Camps — Riverlane) · 8 nov 2026

Verder lezen