Ein Quantencomputer hat einen ungewöhnlichen Begleiter: einen gewöhnlichen Rechner, der ständig seine Fehlerhinweise lesen muss. Während die Qubits arbeiten, entsteht ein Strom von Messdaten. Aus ihm berechnet ein sogenannter Decoder, welche Störungen wahrscheinlich aufgetreten sind. Diese klassische Auswertung entscheidet mit darüber, ob eine geschützte Quantenrechnung zuverlässig und schnell genug ablaufen kann.
Drei Entwicklungen zwischen Ende 2024 und Oktober 2026 zeigen, wie sich diese Aufgabe aufteilt. Google ließ einen Decoder neben echten Qubits mitlaufen. Riverlane und Qblox verbanden Decoder und Steuerelektronik zu einem Regelkreis mit emulierten Messdaten. Quantum X Labs meldete nun eine genauere Auswertung aufgezeichneter Quantenexperimente. Gemeinsam machen sie einen Zusammenhang sichtbar: Fehler richtig zu erkennen, den Datenstrom zu bewältigen und rechtzeitig zu antworten sind drei verschiedene Leistungen.
Die Maschine liest Spuren statt den ganzen Zustand
Quanteninformation lässt sich nicht wie eine Datei beliebig kopieren und anschließend durch Mehrheitsentscheid reparieren. Fehlerkorrektur verteilt sie über mehrere physische Qubits. Zusammen tragen diese ein logisches Qubit. Hilfsqubits prüfen wiederholt bestimmte Beziehungen innerhalb dieses Verbunds. So entstehen Hinweise auf Fehler, ohne den geschützten Quantenzustand vollständig auszulesen.
Diese Hinweise heißen Syndrom. Ein einzelnes auffälliges Messergebnis erzählt noch keine vollständige Geschichte: Die Störung kann im Datenqubit liegen, aber auch in einer Messung. Erst das Muster über Ort und Zeit hilft dem Decoder, eine passende Erklärung zu finden. Seine Aufgabe ähnelt einem Beobachter, der aus mehreren ausgelösten Rauchmeldern den wahrscheinlichen Brandort erschließt. Der Vergleich betrifft die Schlussfolgerung aus Hinweisen; die Quantenphysik steckt im überwachten System.
Die Korrektur muss dabei nicht nach jeder Runde als zusätzlicher physischer Impuls erfolgen. Viele Korrekturen lassen sich zunächst rechnerisch mitführen und bei späteren Messergebnissen berücksichtigen. Bestimmte weitere Rechenschritte hängen jedoch von der richtigen Interpretation vorheriger logischer Messungen ab. An solchen Stellen wird eine verspätete Antwort zur Bremse.
Ein hoher Durchsatz kann lange Wartezeit verdecken
Hier hilft ein Gedankenexperiment mit einem Fließband. Alle paar Augenblicke kommt ein neues Werkstück an. Eine lange Reihe von Bearbeitungsstationen kann diesen Takt problemlos halten, obwohl jedes einzelne Stück lange bis zum Ausgang braucht. Durchsatz beschreibt, wie viele Stücke pro Zeit verarbeitet werden. Latenz bezeichnet die Zeit, die ein einzelnes Stück durch das System benötigt.
Beim Decoder entsprechen die Werkstücke den aufeinanderfolgenden Fehlerhinweisen. Werden sie dauerhaft langsamer ausgewertet, als neue eintreffen, wächst ein Rückstau. Hält die Auswertung mit, bleibt dennoch eine Verzögerung zwischen Messung und nutzbarem Ergebnis. Sobald die Quantenrechnung auf dieses Ergebnis angewiesen ist, zählt die Verzögerung des gesamten benötigten Wegs.
Der Willow-Versuch von Google Quantum AI, online im Dezember 2024 veröffentlicht, zeigt den Unterschied besonders anschaulich. Auf einem 72-Qubit-Prozessor lief ein Oberflächencode der Distanz fünf mit einem Echtzeitdecoder. Eine Korrekturrunde dauerte 1,1 Mikrosekunden. Die durchschnittliche Decoderlatenz lag bei rund 63 Mikrosekunden und blieb bei Versuchen bis zu einer Million Runden ungefähr konstant.
Die beiden Zeitangaben widersprechen sich nicht. Der Decoder verarbeitete den fortlaufenden Strom, statt auf das Ende aller Runden zu warten. Seine Antwort hinkte dem Eingang jedoch hinterher. Zudem beginnt Googles Latenzmessung beim Empfang der letzten Syndromrunde in der Decodersoftware. Datentransport kam zusätzlich hinzu; die Rückkopplung zur Steuerung war in diesem Versuch noch nicht implementiert. Die Zahl beschreibt damit einen bestimmten Abschnitt des Wegs.
Der Rückweg wird zum eigenen Entwicklungsziel
Im September 2026 richteten Riverlane und Qblox den Blick auf einen vollständigen Hardware-Regelkreis. Ihre Demonstration verband Qblox-Steuerelektronik mit Riverlanes Deltaflow-2-System. Die Elektronik verarbeitete emulierte Qubitmessdaten: künstlich bereitgestellte Signale, die den Kontrollweg durchliefen. Die Fehlerhinweise wurden gebündelt, zum Decoder übertragen und dessen Entscheidung zurück zur Steuerung geschickt.
Die Unternehmen geben für den gesamten Rücklauf einschließlich der Messintegration rund 6,9 Mikrosekunden beim kleinen Surface-17-Aufbau und rund 11,9 Mikrosekunden bei Surface-161 an. Sie ließen den Ablauf über 50.000 Korrekturrunden laufen. Damit untersuchten sie die Zusammenarbeit realer Elektronik unter kontrollierter Datenzufuhr. Googles Versuch untersuchte dagegen das Decoding neben laufender Quantenhardware.
Gerade diese unterschiedliche Versuchsanordnung macht beide Ansätze interessant. Mit emulierten Signalen lässt sich der Transportweg gezielt testen und sein Zeitbedarf zerlegen. An echten Qubits kommen die tatsächlichen Störungen und Veränderungen des Prozessors hinzu. Die kurze Rücklaufzeit der einen Demonstration und die Decoderlatenz der anderen lassen sich deshalb nicht zu einer Rangliste zusammenstellen. Messanfang, Messende und Eingabedaten gehören zur Bedeutung jeder Zahl.
Genauer lesen ist eine weitere Stellschraube
Die jüngste Meldung von Quantum X Labs vom 21. Oktober betrifft zunächst die Güte der Fehlerauswertung. Das Unternehmen verglich seinen in CUDA-Q QEC eingebundenen Decoder mit anderen Verfahren auf öffentlich verfügbaren Google-Hardwaredaten. Für 10.000 zurückgehaltene Versuchsdurchläufe mit jeweils fünf Korrekturrunden meldet es gegenüber PyMatching rund zwölf Prozent weniger logische Fehler bei zwei untersuchten Codegrößen.
Gemeint ist eine relative Verbesserung der ausgewerteten logischen Ergebnisse. Die physischen Qubits des aufgezeichneten Experiments wurden dadurch nicht verändert. In einem getrennten Streamingtest mit 25 Runden fiel der gemeldete Vorteil gegenüber PyMatching kleiner aus. Auch dort stammten die Daten aus aufgezeichneten Versuchen. Den Einsatz in einer Echtzeitpipeline über NVQLink beschreibt die Firma als nächsten Schritt.
Das ist für die Entwicklung durchaus nützlich: Derselbe Messdatensatz kann zeigen, wie verschiedene Verfahren aus denselben Hinweisen unterschiedliche Ergebnisse gewinnen. Ein fairer Algorithmusvergleich hält damit einen Teil des Problems fest. Beim Einbau in einen laufenden Rechner treten anschließend weitere Aufgaben hinzu: Übertragung, Rechenhardware und die rechtzeitige Verwendung der Entscheidung.
Ein logischer Fehler ist dabei besonders folgenreich: Die gemeinsame Codierung und ihre Auswertung liefern am Ende eine falsche logische Information. Ein einzelnes physisches Qubit kann gestört sein, ohne dass dies passiert, denn genau dafür ist der Schutz da. Umgekehrt kann eine ungünstige Kombination von Störungen die Auswertung täuschen. Die logische Fehlerrate bewertet deshalb das Ergebnis des gesamten Schutzverfahrens und hängt auch davon ab, wie die Messhinweise interpretiert werden.
Der klassische Nachbar ersetzt keinen guten Quantenchip
Die stärkste Einwendung gegen den Fokus auf Decoder lautet: Bessere Qubits erzeugen von vornherein weniger Fehler. Auch Googles Ergebnisse beruhen auf verbesserter Quantenhardware. Ebenso kann ein aufwendigeres Offlineverfahren genauer auswerten als eine schnelle Echtzeitlösung. Welche Kombination sinnvoll ist, hängt davon ab, ob ein Experiment nachträglich ausgewertet wird oder eine Rechnung unmittelbar auf Messergebnisse reagieren muss.
Auch die Verbindung zwischen Genauigkeit und Tempo ist beweglich. Mehr Rechenaufwand kann eine schwierigere Fehlergeschichte besser auflösen, kostet aber Zeit. Parallelisierung kann den Durchsatz erhöhen; zusätzliche Übergaben können wiederum den Weg einer einzelnen Entscheidung verlängern. Deshalb sind ein möglichst kleiner Fehleranteil und ein möglichst kurzer Rücklauf keine unabhängig optimierbaren Bestwerte. Die Auswertung muss zu den Messrunden und den abhängigen Operationen des konkreten Rechners passen.
Daraus folgt eine andere Vorstellung vom Fortschritt. Der zuverlässige Quantencomputer besteht aus einem gemeinsam arbeitenden System: Qubits liefern Messsignale, klassische Rechner deuten sie, und die Steuerung nutzt die Ergebnisse an den richtigen Stellen. Mehr Qubits vergrößern zugleich den Strom der Fehlerhinweise. Der schnelle klassische Nachbar ist deshalb ein Teil der Maschine selbst. Interessant wird, wie präzise und pünktlich beide Seiten zusammen rechnen.
Quellen
- Google Quantum AI and Collaborators: Quantum error correction below the surface code threshold, online 9. Dezember 2024, Nature 638 (2025); aktuelle korrigierte Fassung abgerufen am 22. Oktober 2026.
- Riverlane/Qblox: Riverlane and Qblox have closed a full real-time QEC loop, 11. September 2026.
- Quantum X Labs, Unternehmensmitteilung über GlobeNewswire: Quantum X Labs’ Decoder Delivers Lowest Logical Error Rates by integrating NVIDIA CUDA-Q QEC in Comparison to Other Decoders, 21. Oktober 2026.
Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft.
