de.wedoany.com-Bericht: Das Forschungsteam von Google Quantum AI hat bestärkendes Lernen auf den Quantenfehlerkorrekturprozess angewendet und eine logische Fehlerrate von 7,72 × 10⁻⁴ bei Oberflächencodes erzielt. Dieser Erfolg stellt einen entscheidenden Schritt auf dem Weg zu stabilen Quantencomputern dar.
In Zusammenarbeit mit Google DeepMind hat das Team innovativ die Fehlererkennungsereignisse während der Quantenfehlerkorrektur als Lernsignale für den Agenten des bestärkenden Lernens genutzt und so die Kalibrierung des Quantensystems mit dem Berechnungsprozess vereinheitlicht. Dies bedeutet, dass ein Quantencomputer seine Steuerparameter während des Betriebs kontinuierlich anpassen kann, um die durch Umgebungsdrift verursachte Instabilität aktiv auszugleichen. Experimente auf dem Willow-Supraleiterprozessor zeigten, dass dieses Framework mit Hilfe eines komplementären Decoders die logische Stabilität des Oberflächencodes gegenüber injizierter Drift um das 3,5-Fache verbesserte. Neben Oberflächencodes erzielte das Team mit Farbcodes eine durchschnittliche logische Fehlerrate von 8,19 × 10⁻³. Der Agent des bestärkenden Lernens verwaltet über tausend Steuerparameter, die definieren, wie die abstrakte Quantenfehlerkorrekturschaltung in analoge Wellenformen zur Steuerung des Quantensystems umgesetzt wird.
Quantencomputer sind anfällig für Umgebungsrauschen, und die Quantenfehlerkorrektur ist eine zentrale Methode zur Bewältigung dieser Herausforderung. Während die traditionelle Quantenfehlerkorrektur simulierte Störungen in diskrete „Fehler“- oder „Kein-Fehler“-Ereignisse umwandeln kann, hängt ihre Wirksamkeit von einer präzisen analogen Steuerung der Qubits ab, wobei die Fehlerrate in der Regel unter 10⁻³ bis 10⁻² gehalten werden muss. Das Forschungsteam verließ sich nicht nur auf die Fehlererkennung zur Korrektur von Quantenzuständen, sondern nutzte diese Ereignisse als Rückkopplungssignale, damit der Agent des bestärkenden Lernens die Steuerparameter kontinuierlich optimieren konnte. Dies ersetzt die herkömmliche Methode, bei der die Berechnung für eine Neukalibrierung pausiert werden muss. Numerische Simulationen zeigen, dass die Optimierungsgeschwindigkeit dieses Frameworks für bestärkendes Lernen unabhängig von der Systemgröße ist, was auf seine Skalierbarkeit auf Quantencodes mit Zehntausenden von Steuerparametern hindeutet – eine entscheidende Eigenschaft für zukünftige großskalige Quantencomputer. Die Forscher betonen, dass diese Arbeit ein neues Paradigma eines „Quantencomputers, der aus Fehlern lernt und niemals mit dem Rechnen aufhört“ eröffnet, und weisen darauf hin, dass das Framework nicht auf die aktuelle Hardware beschränkt ist, sondern direkt auf jede physische Qubit-Form und jede Quantenfehlerkorrekturarchitektur anwendbar ist.
