1 Million Qubits: Roadmap, Hürden & Hardware-Skalierung

1 Million Qubits ist eine häufig verwendete Größenordnung in Skalierungsdebatten. Als Kennzahl ist sie allein jedoch nicht aussagekräftig: Entscheidend ist, ob physische Qubits, logische Qubits, Atome, photonische Moden oder optische Komponenten gezählt werden und welche Fehlerkorrektur sowie Systemarchitektur zugrunde liegen.

Quantenprozessoren sind von Steuerfehlern, Materialverlusten, Umgebungsrauschen und Dekohärenz betroffen. Größere Hardware ist deshalb nicht automatisch leistungsfähiger. Sie muss zusammen mit Steuerung, Kalibrierung, Auslese, Decodierung und fehlertoleranten logischen Qubits als Gesamtsystem skalieren.

Das physikalische Dilemma: Warum die physische Qubit-Zahl nicht genügt

Prozessoren wie IBM Eagle und Googles Willow, eingeordnet im Beitrag zu den Google Quantum Echoes, stehen für physische Qubit-Hardware. Solche Systeme werden häufig der NISQ-Ära (Noisy Intermediate-Scale Quantum) zugeordnet; ihre physische Qubit-Zahl ist nicht mit einer Zahl nutzbarer logischer Qubits gleichzusetzen.

In der NISQ-Ära ist jedes physische Qubit Störeinflüssen seiner Umgebung ausgesetzt. Je nach Plattform begrenzen etwa Magnetfeldfluktuationen, thermisches Hintergrundrauschen, Laser- und Steuerfehler oder dielektrische Verlustkanäle die Güte einer Schaltung. Das folgende Modell illustriert ausschließlich, warum sich unabhängige Fehler mit der Schaltungstiefe akkumulieren können:

$F_{\text{gesamt}} \approx (1 – \epsilon)^N$

Didaktisches, unabhängiges Toy-Modell: Wenn jede von $N$ Operationen unabhängig mit derselben Fehlerrate $\epsilon$ behaftet wäre, ergäbe sich näherungsweise $F_{\text{gesamt}} \approx (1-\epsilon)^N$. Reale Geräte zeigen jedoch korrelierte, zeitabhängige und operationstypische Fehler; aus dieser Formel lässt sich weder eine reale Laufzeit noch ein Zeitpunkt für einen „Zusammenbruch“ ableiten. Grundlagen zur Zustandsdarstellung erläutert die Bloch-Sphäre. Auch Parallelität allein ersetzt keine kontrollierte Quantenverschränkung und Interferenz; weitere Einordnung bietet Top 5 Mythen über Quantencomputer.

Für hinreichend tiefe, zuverlässige Schaltungen gilt aktive Quantenfehlerkorrektur als zentraler Ansatz. Ihr Ressourcenbedarf hängt vom Code, der physischen Fehlerrate, dem Fehlermodell, der Konnektivität, den logischen Operationen und der Zielgenauigkeit ab.

Fehlerkorrektur-Overhead: Surface Codes vs. moderne qLDPC-Codes

Ein unbekannter quantenmechanischer Zustand kann wegen des No-Cloning-Theorems nicht identisch kopiert werden, wie man es von klassischen Backups kennt. Quantenfehlerkorrektur kodiert die Information eines logischen Qubits stattdessen über mehrere physische Qubits. [S01] [S02]

1. Surface Codes mit lokaler Konnektivität

Das Standardmodell der letzten zwei Jahrzehnte ist der zweidimensionale Surface Code (Oberflächencode). Er ordnet physische Qubits in einem planaren 2D-Schachbrettmuster an, wobei Daten-Qubits mit Mess-Qubits (Ancillas) abwechseln, die fortlaufend Paritätsprüfungen (Stabilisator-Messungen $X \otimes X \otimes X \otimes X$ und $Z \otimes Z \otimes Z \otimes Z$) durchführen.

Surface Codes sind attraktiv, weil sie mit lokalen Kopplungen zu nächsten Nachbarn formuliert werden können. Die benötigte Code-Distanz und damit die Zahl physischer Daten- und Mess-Qubits hängen jedoch von den realen Fehlerkanälen, der Ziel-Fehlerrate und dem logischen Schaltkreis ab. Ein Surface-Code-Experiment zeigte im dort untersuchten Fehlerregime für Distanz 5 eine etwas niedrigere logische Fehlerrate als für Distanz 3; daraus folgt keine bedingungslose Skalierungsregel. [S02]

• Eine größere Code-Distanz kann logische Fehler stärker unterdrücken, erhöht aber den Platz-, Mess- und Decodierungsbedarf.
• Der Speicher-Overhead eines Codes ist nur ein Teil des Gesamtsystems; Steuerung, Auslese, Routing und Decoder kommen hinzu.
• Fehlertolerante nicht-Clifford-Operationen können zusätzliche Ressourcen etwa für Zustandspräparation und -destillation erfordern.

2. Forschungsansatz: Quantum LDPC (qLDPC) Codes

Quantum Low-Density Parity-Check (qLDPC) Codes werden als Alternative zu rein lokal angeordneten Surface-Codes erforscht. Ihr praktischer Nutzen ist konditional und hängt von Hardware, Konnektivität, Messschaltungen, Decoder und Fehlermodell ab:

• Konnektivität: Manche qLDPC-Familien verlangen nicht-lokale Prüfungen oder zusätzliche Routing- und Kopplungsressourcen.
• Code-Rate: Eine günstige asymptotische Rate kann den Speicherbedarf unter passenden Annahmen senken, beschreibt aber noch keinen vollständigen fehlertoleranten Rechner.
• Systembewertung: Aussagekräftig ist erst eine gemeinsame Bilanz von Daten-Qubits, Ancillas, Messzyklen, logischen Gattern, Decodierung und physischer Implementierung.

qLDPC-Codes könnten den Speicher-Overhead unter bestimmten Hardware-, Konnektivitäts- und Fehlermodellannahmen reduzieren. Die zugrunde liegende Originalarbeit untersucht fehlertoleranten Speicher mit einer konkreten qLDPC-Familie und Degree-6-Konnektivität, nicht den vollständigen Rechner. Eine feste Umrechnung von einer Million physischer Qubits in logische Qubits lässt sich daraus nicht ableiten. [S03]

Sieben Hardware-Plattformen für skalierbares Quantencomputing

Keine Plattform löst bereits alle Anforderungen an Skalierung, Fehlerkorrektur, Steuerung und Fertigung. Die folgenden sieben Ansätze verfolgen unterschiedliche Wege; Cat-Qubits und topologische Qubits werden dabei als eigenständige Plattformen behandelt.

1. Supraleitende Qubits & Transmons

Supraleitende Schaltkreise wie Transmons oder Fluxoniums nutzen lithografisch strukturierte Josephson-Kontakte auf Silizium- oder Saphir-Wafern und werden bei sehr tiefen Temperaturen betrieben.

• Vorteile: Schnelle elektrische Steuerung und Kompatibilität mit lithografischen Fertigungsmethoden. Der Beitrag zur Kohärenz bei Transmons erläutert die Rolle von Materialverlusten.
• Skalierungsstrategie: Modulare Architekturen wie IBM Quantum Starling verbinden Qubit-Chips, Kryostaten und klassische Steuerung auf mehreren Systemebenen. Konkrete Roadmap-Zahlen benötigen eine direkte Primärquelle.
• Kritischer Engpass: Wärmeeintrag, Verdrahtungsdichte, Frequenzkollisionen und Platzbedarf in tiefkalten Stufen.

2. Neutrale Atome in optischen Pinzetten (Neutral Atoms)

Neutrale Atome können in fokussierten Laserfeldern (optischen Pinzetten) im Ultrahochvakuum gefangen werden. Eine experimentelle Originalarbeit demonstriert dafür Rubidium-87-Atome in dynamisch rekonfigurierbaren Pinzettenarrays. [S04]

• Vorteile: Atome derselben Spezies besitzen sehr ähnliche intrinsische Eigenschaften; Unterschiede entstehen dennoch durch lokale Felder, Bewegung, Fallenparameter und Steuerung. Rydberg-Anregungen ermöglichen schaltbare Wechselwirkungen.
• Skalierungsstrategie: Rekonfigurierbare Pinzettenarrays, Atomtransport und Rydberg-vermittelte Operationen können die Geometrie von Wechselwirkungen anpassen. Ob dies für einen bestimmten qLDPC-Code genügt, hängt von Mess- und Fehlermodell sowie dem Routing ab. [S04]
• Kritischer Engpass: Präzise Lasersteuerung, Nachladen und Umordnen von Atomen, Vakuumtechnik, Auslese und stabile Parallelisierung. Eine große Atomzahl ist nicht automatisch dieselbe Zahl logischer Qubits.

3. Photonische Quantencomputer

Photonische Architekturen können Quanteninformation in Freiheitsgraden von Photonen wie Pfad oder Zeit-Bins kodieren und über optische Netzwerke verarbeiten.

• Vorteile: Photonische Zustände eignen sich für Übertragung und Vernetzung. Teile der optischen Schaltung können bei Raumtemperatur arbeiten, während bestimmte Quellen oder Detektoren Kühlung benötigen.
• Skalierungsstrategie: Beim Fusion-Based Quantum Computing (FBQC) werden kleine photonische Ressourcenzustände durch Fusionsmessungen zu größeren Rechenstrukturen verbunden. Photonische Moden, Quellen, Detektoren und sonstige optische Komponenten sind dabei nicht jeweils als Qubit zu zählen. [S05] Eine Gegenüberstellung bietet Photonische vs. supraleitende Qubits im Vergleich.
• Kritischer Engpass: Verluste, Quell- und Detektoreffizienz, Multiplexing, Modenabgleich und Fertigungsausbeute beeinflussen gemeinsam das Fehlerbudget.

4. Gefangene Ionen (Trapped Ions)

Gefangene-Ionen-Systeme speichern Quanteninformation in internen Zuständen elektrisch geladener Atome und halten die Ionen in elektromagnetischen Fallen.

• Vorteile: Innerhalb eines Registers sind flexible Kopplungsmuster und lange Speicherzeiten möglich; die konkrete Leistung hängt vom Ion, Fallendesign und Steuerverfahren ab.
• Skalierungsstrategie: In einer QCCD-Architektur (Quantum Charge-Coupled Device) werden Ionen zwischen Verarbeitungs- und Gatterzonen transportiert; die demonstrierte Architektur umfasst mehrere Interaktionszonen und Mid-Circuit-Messungen. [S06]
• Kritischer Engpass: Parallelisierte Laser- oder Mikrowellensteuerung, Ionen-Transport, Kalibrierung und zuverlässige Schnittstellen zwischen Modulen.

5. Silizium-Spin-Qubits & Quantum Dots

Silizium-Spin-Qubits nutzen den Spin einzelner Elektronen oder Löcher in elektrostatisch definierten Quantenpunkten. Originalarbeiten demonstrierten Elektronenspin-Logik in isotopenangereichertem Silizium sowie ein Lochspin-Qubit aus einem industriellen CMOS-Fertigungsprozess. [S07A] [S07B]

• Vorteile: Kleine Strukturen und etablierte Halbleiterprozesse eröffnen Perspektiven für dichte Integration. Die nutzbare Systemdichte wird jedoch durch Verdrahtung, Auslese, Abstände und Wärme begrenzt.
• Kritischer Engpass: Lokale Materialunreinheiten, Grenzflächenladungen, Kernspin-Fluktuationen, Bauteilvariabilität und Übersprechen erschweren die gleichzeitige Steuerung großer Arrays.

6. Bosonische Cat-Qubits

Cat-Qubits kodieren Quanteninformation in bosonischen Zuständen supraleitender Mikrowellenresonatoren. Für stabilisierte Cat-Qubits wurde ein Fehlerbias analysiert, bei dem Bit-Flips mit wachsender Cat-Größe unterdrückt werden, während Phasenfehler zunehmen. Wie groß der Vorteil auf Systemebene ist, hängt von Zustandspräparation, Gattern, Auslese, Leckage und dem vollständigen Fehlermodell ab. [S08]

7. Topologische Qubits

Topologische Ansätze untersuchen nichtlokal kodierte Freiheitsgrade, etwa auf Basis von Majorana-Nullmoden. Eine solche Kodierung kann bestimmte Dephasierungsmechanismen mit räumlicher Trennung unterdrücken, beseitigt aber nicht alle Fehler: Quasiteilchenvergiftung ist beispielsweise nicht allein durch das topologische Argument klein. [S09] Ausführliche Grundlagen bietet unser Artikel zu Topologischen Qubits & Majorana-Fermionen.

Die 4 großen System-Flaschenhälse auf dem Weg zur Million

Unabhängig vom Informationsträger muss eine große Architektur Steuerung, Auslese, Fertigung und Fehlerkorrektur gemeinsam skalieren. Die konkrete Gewichtung der folgenden Engpässe ist plattformabhängig:

1. Das thermodynamische Verdrahtungsdilemma (Cryo-Bottleneck)

Bei supraleitenden Großsystemen entsteht durch Steuerung und Auslese vieler Qubits bei Millikelvin-Temperaturen ein massiver Ein-/Ausgabeengpass. Elektronische und thermische Störungen, Kreuzkopplung und Verlustleistung begrenzen dabei die Integration; eine einfache lineare Hochrechnung von Leitungen pro Qubit wäre dennoch zu grob. [S10]

Ein möglicher Ansatz: Die zitierte Originalarbeit demonstriert einen stromsparenden Cryo-CMOS-Multiplexer unter 15 Millikelvin. Cryo-CMOS und zeitliches Multiplexing können I/O-Ressourcen teilen, müssen aber zusammen mit Rauschen, Verlustleistung und Kreuzkopplung bewertet werden. [S10]

2. Modulare Quantennetzwerke (Quantum Interconnects)

Für viele Plattformen ist Modularität ein naheliegender Skalierungsweg, weil Chipfläche, Ausbeute, Steuerung und Verpackung monolithische Systeme begrenzen können. Mehrere QPU-Module müssten dafür mit ausreichend hochwertigen Quantum Interconnects gekoppelt werden. Photonische Architekturen können dagegen von Beginn an verteilte Quellen, Moden, Schaltungen und Detektoren kombinieren und folgen nicht zwingend dem Bild mehrerer QPU-Chips:

• Mikrowellen-zu-Optik-Transducer werden als Schnittstelle untersucht, um entfernte supraleitende Quantenprozessoren optisch zu vernetzen. Experimentell entscheidend sind Konversionseffizienz und zusätzliches Rauschen. [S11]
• Verteilung von Verschränkung über Entanglement Swapping – eine Basistechnologie, die wir in unserem Beitrag über Das Quanten-Internet beschreiben.

3. Fertigungstoleranzen und Josephson-Jitter

Quantenbauelemente reagieren empfindlich auf Prozessschwankungen. Bei Josephson-Kontakten können Variationen der Barriere und Geometrie die Resonanzfrequenzen verschieben; daraus können Frequenzkollisionen und Übersprechen entstehen. Große Arrays erfordern daher hohe Reproduzierbarkeit, geeignete Kalibrierung, Ausbeutemanagement und fehlertolerantes Layout, nicht eine unbelegbare „absolute“ Präzision.

4. Das Latenz-Problem der Syndrom-Decodierung

Fehlerkorrektur erzeugt einen kontinuierlichen Strom von Syndromdaten, dessen Umfang von Code, Zykluszeit und Architektur abhängt. Decoder müssen Ergebnisse rechtzeitig für die jeweilige Kontrollstrategie liefern. Eine vorübergehende Decoderlatenz führt nicht automatisch zum sofortigen Ausfall: Pauli-Frames können bestimmte Korrekturoperatoren softwareseitig nachführen, während anhaltender Rückstau Speicher und Durchsatz belastet. Die tolerierbare Latenz bleibt code- und architekturabhängig. [S12A] [S12B]

Vergleichstabelle: Die Hardware-Plattformen im Skalierungs-Check

Häufige Fragen zur Skalierung auf 1 Million Qubits (FAQ)

Primärquellen zu den materiellen Fachclaims

Die Quellen-IDs stehen direkt an den jeweils gestützten Aussagen. Das strukturierte Claim-zu-Quelle-Protokoll liegt redaktionell in post403_claim_source_map.json vor.

1. S01: Wootters & Zurek (1982), A single quantum cannot be cloned, Nature.
2. S02: Google Quantum AI (2023), Suppressing quantum errors by scaling a surface code logical qubit, Nature.
3. S03: Bravyi et al. (2024), High-threshold and low-overhead fault-tolerant quantum memory, Nature.
4. S04: Bluvstein et al. (2023), Logical quantum processor based on reconfigurable atom arrays, Nature.
5. S05: Bartolucci et al. (2023), Fusion-based quantum computation, Nature Communications.
6. S06: Pino et al. (2021), Demonstration of the trapped-ion quantum CCD computer architecture, Nature.
7. S07A: Veldhorst et al. (2015), A two-qubit logic gate in silicon, Nature.
8. S07B: Maurand et al. (2016), A CMOS silicon spin qubit, Nature Communications.
9. S08: Puri et al. (2020), Bias-preserving gates with stabilized cat qubits, Science Advances manuscript.
10. S09: Karzig, Cole & Pikulin (2021), Quasiparticle poisoning of Majorana qubits, Physical Review Letters manuscript.
11. S10: Acharya et al. (2023), Multiplexed superconducting qubit control at millikelvin temperatures with a low-power cryo-CMOS multiplexer, Nature Electronics.
12. S11: Zhao et al. (2025), Quantum-enabled microwave-to-optical transduction via silicon nanomechanics, Nature Nanotechnology.
13. S12A: Paler et al. (2014), Software Pauli Tracking for Quantum Computation, DATE manuscript.
14. S12B: Skoric et al. (2023), Parallel window decoding enables scalable fault tolerant quantum computation, Nature Communications.

Fazit & Weiterführende Brücken

Der Weg zu großen Quantensystemen ist kein linearer Zuwachs bestehender NISQ-Chips, sondern eine gemeinsame Skalierungsaufgabe für Hardware, Steuerung und fehlertolerante Quanteninformatik (Fault-Tolerant Quantum Computing, FTQC). Ob sich modulare Supraleiter, neutrale Atome, photonische Architekturen, Ionenfallen, Spin-Qubits, Cat-Qubits, topologische Ansätze oder Kombinationen daraus eignen, muss anhand vollständiger Systemmetriken beurteilt werden.

Wer reale Quantensysteme selbst ausprobieren und erste Algorithmen programmieren möchte, findet in unserem Anbietervergleich Quantencomputing in der Cloud verschiedene Zugänge zu Quantenprozessoren.