Ordinateur quantique qui apprend de ses propres erreurs

Google Research, en collaboration avec Google DeepMind, a publié un article dans Nature intitulé « Reinforcement learning control of quantum error correction », présentant un cadre d'apprentissage par renforcement (RL) qui permet à un ordinateur quantique de s'adapter en continu à la dérive lors de longs calculs sans s'arrêter. L'agent RL apprend à partir d'événements de détection d'erreurs binaires générés par la correction d'erreurs quantiques (QEC) pour piloter dynamiquement des milliers de paramètres de contrôle tels que les fréquences, les amplitudes et les phases. L'approche a été validée sur le processeur supraconducteur Willow, où le pilotage par RL a amélioré la stabilité logique du code correcteur d'erreurs d'un facteur 3,5. Un réglage fin avec RL après un calibrage expert exhaustif a en outre réduit le taux d'erreur logique de 20 %. Les technologies combinées ont atteint des taux d'erreur logique record : moins d'une erreur par millier de cycles de correction d'erreurs dans le code de surface, et une erreur par cent dans le code couleur. Des simulations numériques avec des centaines de qubits ont montré que le nombre d'itérations d'entraînement RL nécessaires est indépendant de la taille du système.