Computador quântico que aprende com seus próprios erros

O Google Research, em colaboração com o Google DeepMind, publicou um artigo na Nature intitulado "Controle de correção quântica de erros por aprendizado por reforço", demonstrando uma estrutura de aprendizado por reforço (AR) que permite que um computador quântico se adapte continuamente à deriva durante longas computações sem interrupção. O agente de AR aprende a partir de eventos binários de detecção de erros gerados pela correção quântica de erros (CQE) para direcionar dinamicamente milhares de parâmetros de controle, como frequências, amplitudes e fases. A abordagem foi validada no processador supercondutor Willow, onde a condução por AR melhorou a estabilidade lógica do código de correção de erros em 3,5 vezes. O ajuste fino com AR após calibração especializada exaustiva reduziu ainda mais a taxa de erro lógico em 20%. As tecnologias combinadas alcançaram taxas de erro lógico recordes: menos de um por mil ciclos de correção de erros no código de superfície e um por cem no código de cores. Simulações numéricas com centenas de qubits mostraram que o número de iterações de treinamento de AR necessárias é independente do tamanho do sistema.