Computadora cuántica que aprende de sus errores

El grupo Google Quantum AI (en colaboración con Google DeepMind) publicó un artículo en Nature en el que combina el aprendizaje por refuerzo (RL, por sus siglas en inglés) con la corrección cuántica de errores (QEC, por sus siglas en inglés). Tradicionalmente, para calibrar los ordenadores cuánticos es necesario detener por completo los cálculos, lo que resulta inaceptable para algoritmos largos. Los autores propusieron utilizar los datos de detección de errores de QEC no solo para decodificar y corregir, sino también como señal activa de aprendizaje para un agente de RL, que ajusta dinámicamente miles de parámetros de control, compensando la deriva. Un experimento en el procesador Willow de 105 cúbits con deriva introducida artificialmente mostró una mejora de la estabilidad lógica en 3,5 veces. Incluso tras una calibración experta, el ajuste fino con RL redujo adicionalmente la tasa de errores lógicos en un 20%. Se alcanzaron cifras récord: menos de un error lógico por cada mil ciclos de corrección para el código superficial y uno por cada cien para el código de color. Simulaciones numéricas para cientos de cúbits confirmaron que el número de iteraciones de aprendizaje necesarias no depende del tamaño del sistema, lo que significa que el método es escalable.