Kvanttitietokone, joka oppii omista virheistään

Google Research julkaisi yhteistyössä Google DeepMindin kanssa Nature-lehdessä tutkimuksen "Reinforcement learning control of quantum error correction", jossa esitellään vahvistusoppimiseen (reinforcement learning, RL) perustuva viitekehys, joka mahdollistaa kvanttitietokoneen jatkuvan mukautumisen ajautumaan pitkien laskutoimitusten aikana ilman keskeytyksiä. RL-agentti oppii kvanttivirheenkorjauksen (quantum error correction, QEC) tuottamista binäärisistä virheentunnistustapahtumista ja ohjaa dynaamisesti tuhansia ohjausparametreja, kuten taajuuksia, amplitudeja ja vaiheita. Menetelmä validoitiin Willow-nimisellä suprajohtavalla prosessorilla, jossa RL-ohjaus paransi virheenkorjauskoodin loogista stabiiliutta 3,5-kertaisesti. RL:n hienosäätö perusteellisen asiantuntijakalibroinnin jälkeen pienensi loogista virhetasoa edelleen 20 prosentilla. Yhdistetyt teknologiat saavuttivat ennätyksellisen alhaisia loogisia virhetasoja: alle yhden virheen tuhatta virheenkorjaussykliä kohden pintakoodissa (surface code) ja yhden virheen sataa sykliä kohden värikoodissa (color code). Satoja kubitteja käsittäneet numeeriset simulaatiot osoittivat, että tarvittavien RL-koulutusiteraatioiden määrä ei riipu järjestelmän koosta.