Ordinateur quantique qui apprend de ses erreurs

Le groupe Google Quantum AI (en collaboration avec Google DeepMind) a publié un article dans Nature qui combine l'apprentissage par renforcement (RL) et la correction d'erreurs quantiques (QEC). Traditionnellement, pour calibrer les ordinateurs quantiques, il faut interrompre complètement les calculs, ce qui est inacceptable pour les algorithmes longs. Les auteurs ont proposé d'utiliser les données de détection d'erreurs de la QEC non seulement pour le décodage et la correction, mais aussi comme signal d'apprentissage actif pour un agent RL qui ajuste dynamiquement des milliers de paramètres de contrôle, compensant ainsi la dérive. Une expérience menée sur le processeur Willow à 105 qubits, avec une dérive artificiellement introduite, a montré une amélioration de la stabilité logique d'un facteur 3,5. Même après un calibrage expert, un réglage supplémentaire par RL a réduit le taux d'erreurs logiques de 20 %. Des performances record ont été atteintes : moins d'une erreur logique pour mille cycles de correction pour le code de surface, et une pour cent pour le code couleur. Des simulations numériques pour des centaines de qubits ont confirmé que le nombre d'itérations d'apprentissage nécessaires ne dépend pas de la taille du système, ce qui indique que la méthode est scalable.