Quantencomputer, der aus seinen Fehlern lernt
Google/DeepMind
Forscher von Google Quantum AI wandten Reinforcement Learning (RL) auf die Quantenfehlerkorrektur an, sodass der Quantencomputer sich kontinuierlich an Parameterdrift anpassen kann, ohne die Berechnungen zu unterbrechen. Experimente mit dem Willow-Prozessor zeigten eine 3,5-fache Verbesserung der logischen Stabilität und eine Reduzierung der logischen Fehlerraten auf ein Rekordtief.
Die Gruppe Google Quantum AI (in Zusammenarbeit mit Google DeepMind) hat in Nature einen Artikel veröffentlicht, der Reinforcement Learning (RL) und Quantenfehlerkorrektur (QEC) kombiniert. Traditionell müssen Quantencomputer für die Kalibrierung vollständig gestoppt werden, was für lang andauernde Algorithmen inakzeptabel ist. Die Autoren schlagen vor, die QEC-Fehlererkennungsdaten nicht nur zur Dekodierung und Korrektur zu verwenden, sondern auch als aktives Lernsignal für einen RL-Agenten, der dynamisch tausende von Steuerparametern anpasst und Drift kompensiert. Ein Experiment auf dem 105-Qubit-Prozessor Willow mit künstlich eingebrachtem Drift zeigte eine Verbesserung der logischen Stabilität um den Faktor 3,5. Selbst nach einer Expertenkalibrierung reduzierte das RL-Feintuning die logische Fehlerrate um weitere 20%. Rekordwerte wurden erreicht: weniger als ein logischer Fehler pro tausend Korrekturzyklen für den Oberflächencode und einer pro hundert für den Farbcode. Numerische Simulationen für hunderte Qubits bestätigten, dass die Anzahl der erforderlichen Trainingsiterationen nicht von der Systemgröße abhängt, was bedeutet, dass die Methode skalierbar ist.
Quelle: Google Research —
Original