ainews
Google научил квантовый компьютер учиться на собственных ошибках
Учёные Google Quantum AI интегрировали обучение с подкреплением в квантовую коррекцию ошибок, научив квантовый компьютер адаптироваться к дрейфу параметров во время вычислений. На процессоре Willow это в 3,5 раза увеличило стабильность работы, решая ключевую проблему: раньше для калибровки приходилось полностью останавливать вычисления, теперь система 'подстраивается на лету'.
Это снимает ключевой барьер на пути к практическим квантовым вычислениям: теперь системы могут работать непрерывно, адаптируясь к дрейфу. Подход открывает путь к алгоритмам, требующим месяцев стабильной работы, и показывает, что машинное обучение может решать проблемы, недоступные традиционным физическим моделям.
Калибровка на лету
Google Quantum AI опубликовал в Nature прорывное исследование: квантовый компьютер теперь может учиться на своих ошибках без остановки вычислений.
Проблема в том, что квантовые системы — это аналоговые машины, чувствительные к малейшему дрейфу. Контрольные параметры (частоты, амплитуды, фазы сигналов) постоянно сбиваются. Раньше для калибровки приходилось полностью останавливать работу — как если бы оркестр прерывал концерт для настройки инструментов. Для будущих алгоритмов, требующих месяцев непрерывной работы, это неприемлемо.
Обучение с подкреплением + квантовая коррекция
Команда интегрировала reinforcement learning (RL) с квантовой коррекцией ошибок (QEC). QEC уже использует избыточность: создаёт "логические кубиты" из многих физических, отслеживая ошибки через специальные проверки. Проблема в том, что эти сигналы лишь указывают: "где-то произошла ошибка", но не объясняют причину.
Нейросетевые декодеры вроде AlphaQubit успешно восстанавливают информацию, анализируя паттерны ошибок. Но Google пошёл дальше: RL-агент теперь использует поток данных об ошибках как обучающий сигнал. Во время вычислений система мониторит события детекции, учится динамически корректировать тысячи параметров и противодействовать дрейфу.
Результаты на Willow
На флагманском процессоре Willow искусственно вводили дрейф. RL-управление в 3,5 раза увеличило время стабильной работы логических кубитов. Система научилась "настраивать инструменты, пока играет музыка".
Это не просто инженерная оптимизация. Десятилетиями квантовую калибровку вели через физические модели, но они упёрлись в потолок — как геометрия в computer vision до нейросетей или уравнения кинематики в робототехнике. Google демонстрирует сдвиг парадигмы: от явных инструкций к обучению на данных. Как AlphaFold переписал правила предсказания сворачивания белков, так RL может переписать правила квантового контроля.
Ключевые выводы
- RL-агент в реальном времени анализирует ошибки квантовой коррекции и подстраивает тысячи параметров, избегая остановок для калибровки
- На процессоре Willow стабильность логических кубитов выросла в 3,5 раза при искусственном дрейфе
- Традиционные физические модели калибровки достигли потолка, как ранее компьютерное зрение или предсказание сворачивания белков — решение в обучении на данных
- Квантовая коррекция ошибок получила двойную роль: восстанавливать информацию и обучать систему предотвращению новых сбоев
- Непрерывная работа без калибровочных пауз критична для будущих алгоритмов, требующих месяцев вычислений
Автор: Сергей Ефимов · Источник: research.google
Это один из тех моментов, когда AI решает проблему самого AI — точнее, квантовых вычислений. Десятилетиями квантовые системы калибровали вручную по физическим моделям, полностью останавливая работу. Google показал: нейросеть может учиться на потоке ошибок прямо во время вычислений, подстраивая параметры быстрее, чем они успевают 'расстроиться'. В 3,5 раза стабильнее на реальном железе — это не симуляция.
Но давайте без эйфории. Во-первых, дрейф вводили искусственно — насколько хорошо система справится с хаотичными флуктуациями реального мира, пока вопрос. Во-вторых, это работа на одном процессоре Google. Масштабируется ли подход на сотни кубитов? Справится ли с принципиально новыми типами ошибок? И главное: статья обрывается на полуслове (видимо, лимит символов), так что полной картины эффективности мы не видим. Но сам принцип — обучение на лету без остановок — это ровно то направление, куда должна двигаться квантовая инженерия. Как AlphaFold переписал биоинформатику, так RL может переписать квантовый контроль. Вопрос не 'если', а 'когда' и 'насколько надёжно'.
Комментарии