A hibáiból tanuló kvantumszámítógépet fejlesztett a Google
A Google Quantum AI olyan vezérlési keretrendszert mutatott be, amely megerősítéses tanulással folyamatosan alkalmazkodik a kvantumszámítógép működés közbeni elhangolódásához. A módszerrel a Willow processzoron 3,5-szeresére javították a hibajavító kód logikai stabilitását.
- A Google megerősítéses tanulással folyamatosan kalibrálja a kvantumprocesszor vezérlését.
- A Willow processzoron 3,5-szeresére javult a hibajavító kód logikai stabilitása.
- A szakértői kalibrálás után a finomhangolás 20 százalékkal csökkentette a logikai hibaarányt.
- A szimulációk több száz qubit és több tízezer vezérlési paraméter mellett is működőképesnek mutatták a megközelítést.
A kvantumszámítás egyik alapvető korlátját célozták
A Google Research július 22-én közzétett beszámolója szerint a kvantumszámítógépek analóg gépek, ezért érzékenyek a vezérlési jelek fokozatos eltolódására. A qubitek irányítását végző jelek frekvenciáját, amplitúdóját és fázisát folyamatosan újra kell kalibrálni.
Jelenleg a kalibrálás teljesen leállítja a futó kvantumszámítást. Ez komoly akadályt jelenthet olyan algoritmusoknál, amelyeknek napokig vagy akár hónapokig kellene megszakítás nélkül működniük. A Google kutatói szerint az általuk kidolgozott rendszer úgy hangolja a vezérlést, hogy közben a számítás folytatódhat.
A hibajavítás adatai tanítják az ügynököt
A kvantumállapot közvetlen mérése összeomlasztaná a qubitek szuperpozícióját, ezért a kutatók kvantumhibajavítást használnak. Ez több fizikai qubitből logikai qubiteket hoz létre, majd paritásellenőrzésekkel hibadetektálási eseményekké alakítja az analóg zajt.
Ezek az események önmagukban csak azt mutatják meg, hogy egy meghatározott téridőbeli tartományban hiba történt, a pontos helyét nem. A dekódolók, köztük a valós adatokon tanított AlphaQubit és az algoritmikus Tesseract, ezek alapján számítják ki a szükséges korrekciókat.
A Google megközelítésében ugyanazokat a hibadetektálási adatokat a vezérlés javítására is felhasználják. A megerősítéses tanulási ügynök a számítás alatt figyeli őket, majd módosítja több ezer vezérlési paraméter értékét, hogy ellensúlyozza az eltolódást és megelőzze az újabb hibákat.
A Willow processzoron javult a logikai stabilitás
A módszert a Google Quantum AI Willow nevű szupravezető processzorán tesztelték. A kutatók szándékosan mesterséges eltolódást vittek a vezérlési paraméterekbe, majd azt vizsgálták, hogyan reagál a rendszer. A megerősítéses tanulással végzett vezérlés 3,5-szeresére javította a hibajavító kód logikai stabilitását, és meghosszabbította azt az időt, ameddig a processzor megbízható kvantummemóriaként működött.
A szakértők által elvégzett kalibrálás után az ügynök további finomhangolása 20 százalékkal csökkentette a logikai hibaarányt. A Google közlése szerint a kísérletben alkalmazott technológiák együtt a felszínkód esetében ezer hibajavítási ciklusonként kevesebb mint egy, a színkód esetében pedig száz ciklusonként kevesebb mint egy logikai hibát eredményeztek.
A szimulációk nagyobb rendszerek felé mutatnak
A kutatók numerikus szimulációkban több száz qubitet és több tízezer vezérlési paramétert vizsgáltak. A kezdetben rosszul kalibrált rendszerben az ügynök fokozatosan csökkentette a fizikai hibaarányt, miközben a kvantumhibajavítás a logikai hibaarányt a rendszer méretének növekedésével exponenciálisan mérsékelte.
A szimulációk alapján a szükséges tanítási iterációk száma nem függött a rendszer méretétől. A Google szerint ezt a hibadetektálási események lokális érzékenysége teszi lehetővé. A gyakorlati előrelépéshez ugyanakkor gyorsabb kommunikációra van szükség a tanuló ügynök és a kvantumprocesszor között, valamint fejlettebb gépi tanulási módszerekre.
Google Research: Towards a quantum computer that learns from its errors
