Google uczy AI kalibrować komputer kwantowy Willow bez przerywania obliczeń

Naukowcy z Google Quantum AI opublikowali w Nature badanie opisujące system sztucznej inteligencji, który uczy się z błędów komputera kwantowego w trakcie jego pracy. Zamiast okresowo zatrzymywać procesor Willow na ręczną rekalibrację, algorytm uczenia ze wzmacnianiem koryguje ustawienia na bieżąco, wykorzystując do nauki same sygnały wykrywania błędów kwantowych.

Problem niestabilnych kubitów

Największą przeszkodą w budowie użytecznych komputerów kwantowych od lat nie jest już wyłącznie liczba kubitów, ale utrzymanie ich w stabilnym stanie przez dłuższy czas. Kubity reagują na drgania, wahania temperatury, promieniowanie kosmiczne i zakłócenia elektroniki sterującej, a każdy z tych czynników powoli rozstraja precyzyjne ustawienia impulsów mikrofalowych, którymi operuje się poszczególnymi kubitami.

Do tej pory operatorzy komputerów kwantowych radzili sobie z tym problemem, okresowo wyłączając maszynę i uruchamiając fizyczne procedury kalibracyjne, często wymagające nadzoru eksperta. Metoda ta polegała na izolowanym dostrajaniu pojedynczych linii kontrolnych w oparciu o grafy skierowane, co sprawdzało się przy niewielkiej skali, ale stawało się coraz bardziej podatne na dryft termiczny i błędy pomiarowe w miarę wzrostu liczby kubitów.

Jak działa nowy system

Zespół Google Quantum AI zaproponował inne podejście: zamiast traktować wykrywanie błędów kwantowych wyłącznie jako sygnał do korekcji obliczeń, wykorzystał te same binarne sygnały jako ciągłe dane treningowe dla agenta uczenia ze wzmacnianiem. Agent, działający w oparciu o rozkład sfaktoryzowany Gaussa, dostraja ponad tysiąc parametrów kontrolnych naraz, obejmujących amplitudy fal mikrofalowych, częstotliwości oraz siły sprzężenia między kubitami.

Kluczowa różnica względem wcześniejszych metod polega na tym, że system nie wymaga przerywania obliczeń. Algorytm uczy się w trakcie normalnej pracy procesora, traktując każdy wykryty błąd korekcji kwantowej jako informację zwrotną, na podstawie której koryguje swoje przyszłe decyzje sterujące.

Wyniki eksperymentów na Willow

Eksperymenty przeprowadzono na nadprzewodzącym procesorze Willow. System uczenia ze wzmacnianiem obniżył bazowy poziom logicznych błędów obliczeniowych o 20 procent w porównaniu do konwencjonalnej kalibracji fizycznej. Przy sztucznie wprowadzonym dryfcie sprzętu, symulującym pogarszające się warunki pracy maszyny, stabilność logiczna wzrosła 3,5-krotnie, a poziom błędów spadł o 24 procent.

Przy naturalnym dryfcie sprzętu, czyli bez sztucznej ingerencji badaczy, stabilność poprawiła się 2,4-krotnie. W testach na kodzie powierzchniowym odległości 7 procesor osiągnął średni logiczny błąd na poziomie 7,72×10⁻⁴ na cykl, a na kodzie kolorowym odległości 5 - 8,19×10⁻³. Zespół potwierdził też w symulacjach, że tempo zbieżności algorytmu jest niezależne od całkowitego rozmiaru systemu, co sugeruje możliwość skalowania do architektur zawierających dziesiątki tysięcy fizycznych kubitów.

Znaczenie dla przyszłych komputerów kwantowych

Praktyczne komputery kwantowe odporne na błędy będą musiały wykonywać obliczenia trwające dniami, a nawet miesiącami, bez przerw na ręczną rekalibrację. Utrzymanie precyzyjnej kalibracji przez tak długi czas pozostawało dotąd nierozwiązanym problemem inżynieryjnym, niezależnie od postępów w zwiększaniu liczby kubitów i obniżaniu poziomu szumu sprzętowego.

To kolejny krok Google w kierunku wykorzystania sztucznej inteligencji do rozwiązywania problemów samego sprzętu kwantowego, po wcześniejszym systemie AlphaQubit, który zajmował się dekodowaniem błędów korekcji kwantowej. Tym razem AI nie tylko interpretuje błędy, ale aktywnie steruje fizycznymi parametrami procesora, co przybliża wizję komputerów kwantowych działających autonomicznie przez długi czas bez nadzoru operatora.

Dla polskiego czytelnika zainteresowanego obliczeniami kwantowymi badanie pokazuje, że bariera skalowania tych maszyn przesuwa się z samego sprzętu w stronę inżynierii systemów sterowania, gdzie kluczową rolę zaczyna odgrywać uczenie maszynowe. To obszar, w którym zespoły badawcze skupione wokół fizyki i informatyki kwantowej, także w Polsce, mogą znaleźć przestrzeń do własnych eksperymentów z algorytmami sterowania opartymi na AI.

Źródła: Google Study Shows Quantum Computer Can Learn From Its Own Errors While It Computes (thequantuminsider.com), Google Research Stabilizes Willow Quantum Processor Using Continuous Reinforcement Learning Control Layers (quantumcomputingreport.com), Reinforcement learning control of quantum error correction (nature.com)