Google Quantum AI dos EUA reduz taxa de erro de código de superfície para 7,72×10⁻⁴ usando aprendizado por reforço

De acordo com pt.wedoany.com-A equipe de pesquisa do Google Quantum AI aplicou aprendizado por reforço ao processo de correção de erros quânticos, alcançando uma taxa de erro lógico de 7,72 × 10⁻⁴ em um código de superfície, um passo crucial para a construção de computadores quânticos estáveis.

Em colaboração com o Google DeepMind, a equipe inovou ao usar eventos de detecção de erros no processo de correção quântica como sinais de aprendizado para o agente de aprendizado por reforço, unificando a calibração do sistema quântico com o processo de computação. Isso significa que o computador quântico pode ajustar continuamente seus parâmetros de controle durante a operação para neutralizar ativamente as instabilidades causadas pela deriva ambiental. Experimentos no processador supercondutor Willow mostraram que, com a orientação de um decodificador complementar, essa estrutura aumentou a estabilidade lógica do código de superfície em 3,5 vezes contra a deriva injetada. Além do código de superfície, a equipe alcançou uma taxa de erro lógico média de 8,19 × 10⁻³ usando códigos de cor. O agente de aprendizado por reforço gerencia mais de mil parâmetros de controle, que definem como o circuito abstrato de correção de erros quânticos é convertido em formas de onda analógicas que controlam o sistema quântico.

Computadores quânticos são suscetíveis a ruídos ambientais, e a correção de erros quânticos é o método central para enfrentar esse desafio. Embora a correção de erros quânticos tradicional possa converter perturbações analógicas em eventos discretos de "erro" ou "sem erro", sua eficácia depende do controle analógico preciso dos qubits, geralmente exigindo que a taxa de erro seja mantida abaixo de 10⁻³ a 10⁻². Em vez de depender apenas da detecção de erros para corrigir estados quânticos, esta equipe de pesquisa usou esses eventos como sinais de feedback, permitindo que o agente de aprendizado por reforço otimizasse continuamente os parâmetros de controle, substituindo o método tradicional de pausar a computação para recalibração. Simulações numéricas mostraram que a velocidade de otimização dessa estrutura de aprendizado por reforço é independente da escala do sistema, indicando sua capacidade de escalar para códigos quânticos com dezenas de milhares de parâmetros de controle, algo crucial para futuros computadores quânticos de grande escala. Os pesquisadores enfatizaram que este trabalho inaugura um novo paradigma de "um computador quântico que aprende com seus erros e nunca para de computar", e destacaram que a estrutura não se limita ao hardware atual, sendo diretamente aplicável a qualquer forma física de qubit e arquitetura de correção de erros quânticos.