Google научила квантовый чип Willow калиброваться во время вычислений
Исследователи Google Quantum AI и Google Research опубликовали в журнале Nature работу «Reinforcement learning control of quantum error correction», о применении обучения с подкреплением (RL) к калибровке квантового компьютера. Авторы блог-поста, научные сотрудники Владимир Сивак (Volodymyr Sivak) и Пол Климов (Paul Klimov).
Проблема: квантовые компьютеры, аналоговые устройства, чувствительные к дрейфу параметров управления (частот, амплитуд и фаз сигналов, которые управляют кубитами). Чтобы поддерживать работоспособность, параметры приходится постоянно перекалибровывать, а сегодня это требует полностью останавливать вычисление. Такое жёсткое разделение вычислений и калибровки, фундаментальное узкое место: полезные квантовые алгоритмы должны работать непрерывно днями и даже месяцами.
Решение: команда обучила RL-агента, который использует данные квантовой коррекции ошибок (QEC) не только для исправления ошибок, но и как непрерывный сигнал обратной связи для калибровки. QEC создаёт «логические кубиты» из множества физических и с помощью проверок чётности переводит аналоговый шум в биты обнаружения ошибок; такие декодеры, как нейросетевой AlphaQubit и алгоритмический Tesseract, по этим данным восстанавливают логическую информацию, но не объясняют, почему ошибка произошла. Агент RL как раз анализирует поток этих событий и в реальном времени подстраивает тысячи параметров управления, компенсируя дрейф, по выражению авторов, «настраивает инструменты, пока играет музыка».
Проверка проводилась на флагманском сверхпроводниковом процессоре Google Willow. Экспериментаторы намеренно вносили искусственный дрейф параметров управления и показали, что RL-подстройка повышает логическую стабильность корректирующего кода в 3,5 раза, продлевая время, пока процессор надёжно работает как «квантовая память». Даже после исчерпывающей ручной калибровки специалистами («human-in-the-loop») дополнительная RL-настройка снижала частоту логических ошибок ещё на 20%. В сумме это дало рекордно низкий уровень логических ошибок: менее одной на тысячу циклов коррекции в поверхностном коде (surface code) и одна на сто циклов в цветовом коде (color code).
Чтобы проверить, масштабируется ли подход на будущие крупные квантовые компьютеры, команда провела численные симуляции с сотнями кубитов и десятками тысяч параметров управления. Результат: число требуемых итераций обучения RL-агента не зависит от размера системы, благодаря локальной чувствительности событий обнаружения ошибок QEC. Авторы отмечают, что для полной реализации потенциала подхода нужна более тесная интеграция, в первую очередь ускорение цикла связи между агентом и процессором, и более совершенные методы машинного обучения. Работа выполнена командой Google Quantum AI совместно с командами Google DeepMind.
Ключевые факты
- Google Quantum AI и Google DeepMind опубликовали в Nature метод RL-калибровки квантового компьютера прямо во время вычислений, без остановки на перенастройку
- RL-агент использует поток событий обнаружения ошибок квантовой коррекции (QEC) как сигнал обратной связи и подстраивает тысячи параметров управления в реальном времени
- На процессоре Willow при искусственно внесённом дрейфе RL-подстройка повысила логическую стабильность в 3,5 раза, а поверх ручной экспертной калибровки дополнительно снизила частоту логических ошибок на 20%
- Достигнут рекордно низкий уровень логических ошибок: менее 1 на 1000 циклов коррекции в поверхностном коде и 1 на 100 циклов в цветовом коде
- Численные симуляции на сотнях кубитов и десятках тысяч параметров показали, что число итераций обучения RL-агента не растёт с размером системы
Почему это важно
Квантовые компьютеры, аналоговые устройства, чувствительные к дрейфу параметров управления. Сегодня их калибровка требует полной остановки вычисления, а это фундаментальное узкое место: полезные квантовые алгоритмы должны работать непрерывно днями и месяцами. Google показала способ калибровать процессор без остановки, используя данные коррекции ошибок как сигнал обучения для RL-агента.
Кому это важно
Разработчикам квантового железа и алгоритмов коррекции ошибок (QEC), исследователям машинного обучения, применяющим RL к физическим системам, и командам, которые проектируют будущие крупные квантовые компьютеры, работа Google Quantum AI и Google DeepMind напрямую касается инженерных ограничений, с которыми сталкивается вся отрасль по мере роста числа кубитов.
Как это применить
RL-агент обучен анализировать поток событий обнаружения ошибок QEC и в реальном времени подстраивать тысячи параметров управления (частоты, амплитуды, фазы сигналов), компенсируя дрейф. На процессоре Willow при искусственно внесённом дрейфе это подняло логическую стабильность в 3,5 раза, а сверх ручной экспертной калибровки снизило частоту логических ошибок ещё на 20%, дав рекордно низкий уровень ошибок, менее 1 на 1000 циклов коррекции в поверхностном коде и 1 на 100 в цветовом коде.
Можно ли доверять
Работа опубликована в рецензируемом журнале Nature под названием «Reinforcement learning control of quantum error correction», выполнена командой Google Quantum AI совместно с Google DeepMind и подтверждена экспериментально на реальном сверхпроводниковом процессоре Willow, а также численными симуляциями на сотнях кубитов и десятках тысяч параметров.
Риски и подводные камни
Демонстрация ограничена процессором Willow; масштабирование на более крупные системы подтверждено пока только численными симуляциями, не реальным железом. Сами авторы отмечают: чтобы раскрыть потенциал подхода полностью, нужна более тесная интеграция, прежде всего ускорение цикла связи между агентом и процессором, и более совершенные методы машинного обучения, то есть текущий результат, важный шаг, а не готовое решение для промышленной эксплуатации.
«Короче говоря, мы нашли способ подстраивать инструменты, пока играет музыка.»
— Владимир Сивак и Пол Климов, научные сотрудники Google Quantum AI