Репортаж от Wedoany，Исследовательская группа Google Quantum AI применила обучение с подкреплением к процессу квантовой коррекции ошибок, достигнув логической частоты ошибок 7,72 × 10⁻⁴ на поверхностном коде. Этот результат стал ключевым шагом на пути к созданию стабильного квантового компьютера.
В сотрудничестве с Google DeepMind команда инновационно использовала события обнаружения ошибок в процессе квантовой коррекции в качестве обучающих сигналов для агента обучения с подкреплением, объединив калибровку квантовой системы с вычислительным процессом. Это означает, что квантовый компьютер может непрерывно корректировать свои управляющие параметры во время работы, активно компенсируя нестабильность, вызванную дрейфом окружающей среды. Эксперименты на сверхпроводящем процессоре Willow показали, что с помощью направляющего комплементарного декодера эта структура повысила логическую стабильность поверхностного кода в 3,5 раза при инжектированном дрейфе. Помимо поверхностного кода, команда в среднем достигла логической частоты ошибок 8,19 × 10⁻³ с использованием цветового кода. Агент обучения с подкреплением управляет более чем тысячей управляющих параметров, которые определяют, как абстрактная схема квантовой коррекции ошибок преобразуется в аналоговые сигналы, управляющие квантовой системой.
Квантовые компьютеры подвержены влиянию шума окружающей среды, и квантовая коррекция ошибок является ключевым методом решения этой проблемы. Хотя традиционная квантовая коррекция ошибок может преобразовывать аналоговые возмущения в дискретные события «ошибка» или «без ошибки», её эффективность зависит от точного аналогового управления кубитами, что обычно требует поддержания частоты ошибок ниже 10⁻³–10⁻². Исследовательская группа не полагалась исключительно на обнаружение ошибок для коррекции квантовых состояний, а использовала эти события в качестве сигналов обратной связи, позволяя агенту обучения с подкреплением непрерывно оптимизировать управляющие параметры, заменяя традиционный метод, требующий приостановки вычислений для повторной калибровки. Численное моделирование показало, что скорость оптимизации этой структуры обучения с подкреплением не зависит от размера системы, что указывает на её способность масштабироваться на квантовые коды с десятками тысяч управляющих параметров, что критически важно для будущих крупномасштабных квантовых компьютеров. Исследователи подчеркнули, что эта работа открывает новую парадигму «квантового компьютера, который учится на своих ошибках и никогда не прекращает вычисления», и отметили, что данная структура не ограничивается текущим оборудованием и напрямую применима к любым физическим формам кубитов и архитектурам квантовой коррекции ошибок.
