Квантовый компьютер учится на своих ошибках: интеграция обучения с подкреплением и квантовой коррекции ошибок

Группа Google Quantum AI опубликовала в Nature статью, в которой продемонстрировала применение обучения с подкреплением (RL) для непрерывной калибровки квантового компьютера без остановки вычислений. В работе используется квантовая коррекция ошибок (QEC): когда на физических кубитах выполняются проверки на чётность, их результаты (бинарные события обнаружения ошибок) используются не только декодером (например, нейросетевым AlphaQubit или алгоритмическим Tesseract) для восстановления логического кубита, но и RL-агентом — чтобы подстраивать аналоговые управляющие параметры (частоты, амплитуды, фазы) и компенсировать дрейф оборудования. Эксперименты на процессоре Willow показали, что RL-управление улучшает логическую стабильность в 3,5 раза, а донастройка после экспертной калибровки снижает частоту логических ошибок ещё на 20%. Достигнут рекордный уровень: менее одной ошибки на тысячу циклов коррекции для поверхностного кода и одна на сотню для цветового кода. Численное моделирование с сотнями кубитов показало, что число необходимых итераций обучения не растёт с размером системы. Авторы полагают, что дальнейшая оптимизация цикла связи между агентом и процессором откроет путь к масштабируемому самообучающемуся квантовому компьютеру.