Computadora cuántica que aprende de sus propios errores

Google Research, en colaboración con Google DeepMind, publicó un artículo en Nature titulado "Reinforcement learning control of quantum error correction" que demuestra un marco de aprendizaje por refuerzo (RL, por sus siglas en inglés) que permite a una computadora cuántica adaptarse continuamente a la deriva durante cálculos largos sin detenerse. El agente de RL aprende a partir de eventos binarios de detección de errores generados por la corrección de errores cuánticos (QEC, por sus siglas en inglés) para dirigir dinámicamente miles de parámetros de control, como frecuencias, amplitudes y fases. El enfoque fue validado en el procesador superconductor Willow, donde la dirección mediante RL mejoró la estabilidad lógica del código corrector de errores en 3,5 veces. El ajuste fino con RL después de una calibración experta exhaustiva redujo aún más la tasa de errores lógicos en un 20 %. Las tecnologías combinadas lograron tasas de error lógico récord: menos de uno por cada mil ciclos de corrección de errores en el código de superficie, y uno por cada cien en el código de color. Las simulaciones numéricas con cientos de qubits mostraron que el número de iteraciones de entrenamiento de RL requeridas es independiente del tamaño del sistema.