Quantum Computer That Learns from Its Mistakes
Google/DeepMind
Researchers at Google Quantum AI applied reinforcement learning (RL) to quantum error correction, allowing the quantum computer to continuously adapt to parameter drift without stopping computations. Experiments on the Willow processor showed a 3.5-fold improvement in logical stability and a reduction in logical error rates to a record low.
Группа Google Quantum AI (совместно с Google DeepMind) опубликовала в Nature статью, в которой объединила обучение с подкреплением (RL) и квантовую коррекцию ошибок (QEC). Традиционно для калибровки квантовых компьютеров приходится полностью останавливать вычисления, что неприемлемо для длительных алгоритмов. Авторы предложили использовать данные детекции ошибок QEC не только для декодирования и исправления, но и как активный обучающий сигнал для RL-агента, который динамически подстраивает тысячи управляющих параметров, компенсируя дрейф. Эксперимент на 105-кубитном процессоре Willow с искусственно внесённым дрейфом показал улучшение логической стабильности в 3,5 раза. Даже после экспертной калибровки RL-дообучение дополнительно снизило частоту логических ошибок на 20%. Достигнуты рекордные показатели: менее одной логической ошибки на тысячу циклов коррекции для поверхностного кода и одна на сто для цветового кода. Численные симуляции для сотен кубитов подтвердили, что число требуемых итераций обучения не зависит от размера системы, а значит метод масштабируем.
Bron: Google Research —
origineel