从错误中学习的量子计算机

Google Quantum AI（与Google DeepMind合作）团队在《自然》杂志上发表了一篇论文，将强化学习（Reinforcement Learning, RL）与量子纠错（Quantum Error Correction, QEC）相结合。传统上，校准量子计算机需要完全停止计算，这对于长时间运行的算法来说是不可接受的。作者提出，不仅将QEC的错误检测数据用于解码和纠正，还将其作为RL智能体的主动学习信号，使其能够动态调整数千个控制参数以补偿漂移。在105量子比特的Willow处理器上进行的实验，通过人为引入漂移，将逻辑稳定性提升了3.5倍。即使在专家校准之后，RL微调进一步将逻辑错误率降低了20%。团队取得了创纪录的成果：对于表面码，每千个纠错周期中逻辑错误少于一次；对于色码，每百个周期中仅有一次。针对数百量子比特的数值模拟证实，所需的训练迭代次数与系统规模无关，这意味着该方法具有可扩展性。