Google Quantum AI hat nach eigenen Angaben ein Reinforcement-Learning-Verfahren auf seinem supraleitenden Willow-Prozessor validiert, das Fehlererkennungen aus der Quantenfehlerkorrektur nutzt, um während einer laufenden Berechnung Kontrollparameter fortlaufend nachzusteuern. Die Arbeit mit dem Titel „Reinforcement learning control of quantum error correction“ sei in Nature veröffentlicht worden, teilte Google Research mit.
Was Google demonstriert hat
Nach Darstellung des Unternehmens lernt ein autonomer Agent aus detektierten Quantenfehlern und steuert kontinuierlich Tausende Kontrollparameter. Ziel ist es, das Quantensystem während der Berechnung gegen Drift zu stabilisieren.
Der Ansatz betrifft die Steuerung der Fehlerkorrektur, nicht nur die nachträgliche Auswertung von Fehlern. Das ist relevant, weil Kontrollparameter während des Betriebs abweichen können und die Zuverlässigkeit logischer Quanteninformationen davon abhängt, solche Effekte zu begrenzen.
Ergebnisse auf Willow
Google zufolge wurde das Verfahren auf dem Willow-Prozessor getestet. In einem Versuch mit absichtlich eingeführter Drift von Kontrollparametern habe die RL-Steuerung die logische Stabilität des Fehlerkorrekturcodes um das 3,5-Fache verbessert.
Nach einer Expertenkalibrierung habe zusätzliches Fine-Tuning durch Reinforcement Learning die logische Fehlerrate um weitere 20 Prozent gesenkt. Google berichtet außerdem, die Kombination der eingesetzten Technologien habe bei Quantenspeichern logische Fehler auf weniger als einen pro 1.000 Fehlerkorrekturzyklen im Surface Code und auf einen pro 100 Zyklen im Color Code reduziert.
Skalierung wurde simuliert, nicht auf großer Hardware gezeigt
Für die Frage der Skalierbarkeit führte Google nach eigenen Angaben numerische Simulationen mit Hunderten Qubits und Zehntausenden Kontrollparametern durch. Dabei sei die erforderliche Zahl der RL-Trainingsiterationen unabhängig von der Systemgröße gewesen.
Das ist ein Hinweis aus Simulationen, aber kein experimenteller Nachweis eines Betriebs mit Hunderten Qubits. Der vorliegende Nachweis auf Hardware bezieht sich auf Willow; aus den vorliegenden Angaben geht weder hervor, wie sich das Verfahren unter anderen Hardwarebedingungen schlägt, noch welche Ressourcen ein Einsatz in einem größeren fehlertoleranten Rechner konkret beanspruchen würde.
Einordnung und offene Fragen
Die gemeldeten Verbesserungen beziehen sich auf von Google beschriebene Experimente, einschließlich eines Szenarios mit künstlich injizierter Parameterdrift. Daraus folgt nicht automatisch, dass das Verfahren alle praktischen Fehlerquellen in künftigen Quantencomputern in gleichem Maß beherrscht.
Eine unabhängige Bestätigung der Resultate liegt in den bereitgestellten Unterlagen nicht vor. Ebenso fehlen dort Angaben zu einem Vergleich mit alternativen Echtzeit-Steuerverfahren oder zu den genauen Anforderungen an Rechenzeit und Datenverarbeitung während des Betriebs.
Wie es weitergeht
Entscheidend wird sein, ob sich die simulierte Skalierung und die gemeldeten Stabilitätsgewinne in größeren Hardwareexperimenten sowie unter weiteren Betriebsbedingungen reproduzieren lassen.
Änderungsvermerk: Erstfassung auf Basis eines Google-Research-Beitrags als einziger vorliegender Primärquelle. Unternehmensangaben und Schlussfolgerungen aus Simulationen sind entsprechend eingeordnet.