Computador Quântico que Aprende com Seus Erros

O grupo Google Quantum AI (em colaboração com o Google DeepMind) publicou um artigo na Nature combinando aprendizado por reforço (RL) e correção de erros quânticos (QEC). Tradicionalmente, para calibrar computadores quânticos, é necessário interromper completamente os cálculos, o que é inviável para algoritmos longos. Os autores propuseram usar os dados de detecção de erros da QEC não apenas para decodificação e correção, mas também como um sinal de treinamento ativo para o agente RL, que ajusta dinamicamente milhares de parâmetros de controle, compensando a deriva. Um experimento no processador Willow de 105 qubits, com deriva artificialmente introduzida, mostrou uma melhoria de 3,5 vezes na estabilidade lógica. Mesmo após calibração especializada, o refinamento com RL reduziu ainda a taxa de erros lógicos em 20%. Foram alcançados resultados recordes: menos de um erro lógico por mil ciclos de correção para o código de superfície e um por cem para o código de cor. Simulações numéricas para centenas de qubits confirmaram que o número de iterações de treinamento necessárias não depende do tamanho do sistema, indicando que o método é escalável.