Quantencomputer, der aus eigenen Fehlern lernt

Google Research hat in Zusammenarbeit mit Google DeepMind einen Artikel in Nature mit dem Titel „Reinforcement-Learning-Steuerung der Quantenfehlerkorrektur“ veröffentlicht, der ein Reinforcement-Learning-Framework (RL-Framework) vorstellt, das es einem Quantencomputer ermöglicht, sich während langer Berechnungen kontinuierlich an Drift anzupassen, ohne anzuhalten. Der RL-Agent lernt aus binären Fehlererkennungsereignissen, die durch Quantenfehlerkorrektur (Quantum Error Correction, QEC) erzeugt werden, um Tausende von Steuerparametern wie Frequenzen, Amplituden und Phasen dynamisch zu steuern. Der Ansatz wurde auf dem Willow-Supraleiterprozessor validiert, wo die RL-Steuerung die logische Stabilität des fehlerkorrigierenden Codes um das 3,5-Fache verbesserte. Die Feinabstimmung mit RL nach einer erschöpfenden Expertenkalibrierung reduzierte die logische Fehlerrate weiter um 20 %. Die kombinierten Technologien erzielten rekordniedrige logische Fehlerraten: weniger als einen Fehler pro tausend Fehlerkorrekturzyklen im Oberflächencode und einen Fehler pro hundert im Farbcode. Numerische Simulationen mit Hunderten von Qubits zeigten, dass die Anzahl der erforderlichen RL-Trainingsiterationen unabhängig von der Systemgröße ist.