Quantumcomputer die leert van eigen fouten
Google/DeepMind
Google Research demonstreerde een reinforcement learning (RL)-framework waarmee een quantumcomputer zich continu kan aanpassen aan drift tijdens berekeningen, zonder te stoppen. De RL-agent leert van detectiegebeurtenissen van quantumfoutcorrectie om dynamisch controleparameters bij te sturen, waardoor de logische stabiliteit met een factor 3,5 verbetert en de logische foutpercentages tot een recordlaagte dalen.
Google Research heeft in samenwerking met Google DeepMind een artikel gepubliceerd in Nature, getiteld "Reinforcement learning control of quantum error correction", waarin een raamwerk voor versterkend leren (reinforcement learning, RL) wordt beschreven dat een kwantumcomputer in staat stelt om zich tijdens lange berekeningen continu aan te passen aan drift zonder te stoppen. De RL-agent leert van binaire foutdetectiegebeurtenissen die worden gegenereerd door kwantumfoutcorrectie (quantum error correction, QEC) om dynamisch duizenden regelparameters zoals frequenties, amplitudes en fasen aan te sturen. De aanpak is gevalideerd op de Willow-supergeleidende processor, waar RL-sturing de logische stabiliteit van de foutcorrigerende code 3,5-voudig verbeterde. Fijnafstemming met RL na uitgebreide expertkalibratie verminderde de logische foutenkans verder met 20%. De gecombineerde technologieën bereikten recordlage logische foutenkansen: minder dan één per duizend foutcorrectiecycli in de oppervlaktecode en één per honderd in de kleurcode. Numerieke simulaties met honderden qubits toonden aan dat het aantal benodigde RL-trainingsiteraties onafhankelijk is van de systeemgrootte.
Bron: Google Research —
origineel