Quantum sensor thường đo trước rồi computer mới xử lý: Thiết kế mới để qubit “tính toán” ngay trong lúc đang đo

Một quantum sensor thông thường thường làm hai việc theo thứ tự: để hệ lượng tử tương tác với đại lượng cần đo, rồi đọc trạng thái của nó ra thành dữ liệu cổ điển để computer xử lý tiếp. Nhóm nghiên cứu tại Cornell University và MIT đang thử đảo lại ranh giới đó. Thay vì đợi tới sau phép đo mới tính toán, họ cho chính qubit thực hiện một chuỗi phép biến đổi trong lúc nó vẫn đang tương tác với tín hiệu.

Kết quả được trình bày trong preprint Quantum sensors that compute: quantum computational magnetic-field sensing using a superconducting qubit, đăng lên arXiv ngày 18/8/2026. Trong thí nghiệm, cùng một superconducting transmon qubit vừa đóng vai trò cảm biến từ trường vừa thực hiện phần xử lý quantum signal processing trước khi bị đo. Với một số bài phân loại, nhóm báo cáo độ chính xác cao hơn baseline cảm biến truyền thống từ khoảng 15 đến 20 điểm phần trăm khi hai bên được cấp cùng ngân sách thời gian cảm biến.

Điểm đáng chú ý không phải qubit đã trở thành một computer đa dụng thu nhỏ. Đây là một thiết kế task-specific: người nghiên cứu biết trước câu hỏi cần trả lời, huấn luyện chuỗi điều khiển cho câu hỏi đó, rồi để động lực học lượng tử biến tín hiệu vật lý thành một output gần với đáp án cần thiết ngay trước phép đo.

Vấn đề của mô hình “đo trước, tính sau”

Một qubit sau phép đo projective chỉ cho một trong hai kết quả. Với một quantum sensor một qubit, một lần đọc vì thế mang tối đa một bit thông tin. Nếu mục tiêu là biết chính xác cường độ hay tần số của tín hiệu, cách thông thường là lặp lại phép đo nhiều lần, ước lượng tham số vật lý càng chính xác càng tốt, sau đó đưa con số đó sang bộ xử lý cổ điển để giải bài toán thực tế.

Ví dụ, nếu nhiệm vụ cuối cùng chỉ là quyết định một từ trường thuộc nhóm A hay B, pipeline truyền thống vẫn có thể dành nhiều shot để ước lượng cường độ trường trước. Sau đó classifier mới lấy giá trị ước lượng và quyết định nhãn. Phần thông tin dùng để dựng lại một tham số liên tục không phải lúc nào cũng cần thiết cho câu hỏi nhị phân cuối cùng.

Quantum computational sensing (QCS) chọn cách khác. Thay vì tối ưu sensor để tái tạo đầy đủ tín hiệu rồi mới tính hàm cần thiết, hệ được lập trình để trực tiếp tính một hàm của tín hiệu. Nói ngắn gọn: nếu chỉ cần biết “thuộc lớp nào”, sensor cố làm cho trạng thái cuối cùng đã gần tương ứng với nhãn đó trước khi phép đo xảy ra.

Ý tưởng này đã được nhóm Peter McMahon phát triển về lý thuyết trước đó. Một paper đăng trên npj Quantum Information vào tháng 5/2026 khảo sát các protocol QCS bằng quantum signal processing, quantum neural network và Hamiltonian engineering trong mô phỏng. Nghiên cứu mới đưa một phiên bản của ý tưởng đó lên phần cứng superconducting thực.

Cùng một transmon vừa “nghe” từ trường vừa biến đổi thông tin

Thiết bị trong thí nghiệm là một flux-tunable transmon có vòng SQUID hai junction. Tần số chuyển mức của qubit phụ thuộc vào magnetic flux đi qua vòng này, nên dòng điện chạy trong một flux line trên chip có thể tạo tín hiệu từ trường làm thay đổi pha của trạng thái qubit.

Trong protocol thông thường kiểu Ramsey, qubit được chuẩn bị, để tích lũy pha do tín hiệu gây ra, rồi đo. Lặp lại quá trình ở những interrogation time khác nhau cho phép ước lượng cường độ trường. Với tín hiệu dao động, các chuỗi dynamical decoupling dùng nhiều xung điều khiển để tăng độ nhạy với một dải tần hoặc đặc tính nhất định.

QCS thêm một chức năng khác cho chính các xung điều khiển này. Nhóm xen kẽ sensing interval — thời gian để trường tác động lên qubit — với các phép quay được lập trình trên trạng thái lượng tử. Sau nhiều layer, phản ứng của qubit không còn đơn giản là một bản mã hóa tuyến tính của cường độ hay tần số trường. Chuỗi điều khiển được tối ưu để tạo một hàm phi tuyến có hình dạng gần với decision boundary của bài phân loại.

Có thể hình dung mỗi khoảng cảm biến đưa một phần thông tin về tín hiệu vào qubit, còn phép quay tiếp theo sắp xếp lại thông tin đó trên Bloch sphere. Quy trình lặp lại nhiều lần cho đến khi thông tin liên quan trực tiếp tới nhãn cần dự đoán được tập trung vào trục mà phép đo cuối có thể đọc được.

Chuỗi điều khiển không tự học trong lúc sensor hoạt động. Nhóm huấn luyện các unitary operation trước trên một digital twin của hệ thống bằng supervised learning, rồi cố định chúng khi chạy thí nghiệm. Đây vì thế gần với việc thiết kế một bộ lọc lượng tử dành riêng cho nhiệm vụ hơn là đặt một AI bên trong sensor.

Từ trường tĩnh: lợi thế tăng khi bài toán phân loại khó hơn

Ở thí nghiệm đầu tiên, nhóm tạo các tín hiệu từ trường tĩnh thông qua flux line và đặt ra sáu bài phân loại nhị phân với decision boundary ngày càng phức tạp. Tín hiệu tương ứng với độ lệch tần số qubit trong khoảng 0–5 MHz; tổng thời gian tiếp cận tín hiệu được giới hạn ở 100 microsecond.

Baseline là một protocol Ramsey dùng nhiều interrogation time, sau đó toàn bộ measurement record được xử lý bằng classifier cổ điển. Nhóm không so QCS với một baseline cố ý yếu: số shot và phân bổ shot của Ramsey cũng được tối ưu riêng cho từng task.

Với cùng 100 microsecond, QCS cao hơn baseline thực nghiệm từ 3,0 đến 14,9 điểm phần trăm tùy độ phức tạp của bài toán. Nhóm còn mô phỏng baseline lý tưởng chỉ chịu shot noise; ở hầu hết task, QCS vẫn nhỉnh hơn từ 3,4 đến 10,3 điểm phần trăm.

Kết quả này cho thấy lợi ích không nhất thiết đến từ việc đo từ trường chính xác hơn. QCS bỏ qua bước phải dựng một ước lượng chính xác của tham số liên tục và dùng tài nguyên lượng tử để làm câu hỏi hẹp hơn: trường này thuộc phía nào của những decision boundary đã biết?

Với tín hiệu dao động, sensor học bỏ qua cả phase không cần thiết

Nhóm tiếp tục thử các từ trường sinusoidal mà pha ban đầu được chọn ngẫu nhiên ở mỗi lần chạy. Trong bài phân loại amplitude, tần số tín hiệu được giữ ở 2 MHz còn amplitude thay đổi trong khoảng tương ứng 0–5 MHz. Tổng ngân sách sensing time là 200 microsecond.

QCS phải làm hai việc cùng lúc: giữ lại thông tin về amplitude, nhưng giảm ảnh hưởng của phase ngẫu nhiên vì phase không liên quan tới nhãn. Theo phân tích mutual information của nhóm, các layer đầu chứa thông tin task trong toàn bộ trạng thái qubit nhưng chưa đặt nó ở basis có thể đọc trực tiếp. Qua các layer sau, protocol dần tập trung thông tin về class vào trục đo trong khi làm suy giảm thông tin về phase.

Trong sáu mức độ phức tạp, độ chính xác phân loại amplitude của QCS nằm trong khoảng 85,3%–96,5%, cao hơn baseline dynamical decoupling từ 3,8 đến 20,1 điểm phần trăm.

Nhóm cũng thử phân loại tần số của tín hiệu dao động từ 1 đến 2 MHz, với amplitude cố định và phase ngẫu nhiên. QCS đạt lợi thế tối đa 15,4 điểm phần trăm trên các task phức tạp, nhưng có một chi tiết quan trọng: ở bài đơn giản nhất chỉ có một threshold, nó kém dynamical decoupling tới 2,8 điểm phần trăm. Dynamical decoupling vốn rất phù hợp với phân biệt tần số hẹp, nên thêm khả năng “tính toán” không tự động khiến sensor tốt hơn cho mọi nhiệm vụ.

Đổi generality lấy hiệu quả

Đây là trade-off trung tâm của quantum computational sensing. Một magnetometer truyền thống cố trả lời câu hỏi tổng quát: từ trường là bao nhiêu? Khi đã có dữ liệu, người dùng có thể xử lý nó theo nhiều cách. QCS lại được tối ưu cho một câu hỏi cụ thể trước khi đo. Nó có thể tiết kiệm sensing time cho câu hỏi đó, nhưng nếu nhiệm vụ đổi từ phân loại amplitude sang ước lượng chính xác amplitude, protocol cũng phải thay đổi.

Ngay trong abstract, nhóm nghiên cứu mô tả QCS là sự đánh đổi generality để lấy efficiency. Điều này khiến kiến trúc phù hợp hơn với những ứng dụng mà nhiệm vụ cuối đã được xác định rõ — chẳng hạn phát hiện một loại mẫu tín hiệu hay phân loại một trạng thái — hơn là thiết bị đo đa dụng cần lưu toàn bộ thông tin để phân tích về sau.

Đây vẫn là proof-of-concept trong tủ lạnh 9 mK

Các con số trên chưa nên được đọc như hiệu năng của một magnetometer sẵn sàng mang ra ngoài phòng lab. Tín hiệu từ trường trong thí nghiệm được tạo có kiểm soát bằng dòng điện qua flux-bias line ngay trên chip, chứ không phải tín hiệu yếu từ môi trường thực. Các task là những hàm phân loại tổng hợp được thiết kế để kiểm tra khả năng tính toán của protocol.

Phần cứng cũng cần một dilution refrigerator. Paper cho biết thiết bị được làm lạnh tới nhiệt độ nền khoảng 9 mK, có shielding từ trường và hệ điện tử điều khiển chuyên dụng. Bản thân nhóm thừa nhận bước tiếp theo quan trọng là xác định những task thực tế nào có thể giữ được lợi thế tương tự.

Nghiên cứu hiện mới là preprint trên arXiv, chưa phải một paper đã qua peer review. Nhóm đã công khai dữ liệu thực nghiệm, dữ liệu mô phỏng và code qua Zenodo, nhưng việc tái lập độc lập và thử trên các sensing platform khác vẫn còn phía trước.

Nhóm gợi ý rằng nguyên lý QCS về sau có thể được thử trên NV center magnetometer, SQUID dùng trong magnetoencephalography hoặc atomic-vapor magnetometer. Những nền tảng đó chỉ phù hợp nếu đồng thời có độ nhạy tốt, coherence đủ dài và khả năng điều khiển chính xác để chạy các sequence task-specific.

Thử thách tiếp theo vì thế không phải làm một quantum sensor “thông minh” theo nghĩa chung. Nó là tìm ra những phép đo mà chúng ta thực sự không cần toàn bộ dữ liệu thô — và ở đó, việc để hệ lượng tử tính đúng thứ cần biết trước khi bị đo có thể tiết kiệm đủ tài nguyên để đáng với độ phức tạp của phần cứng.