Google Quantum AI ha raggiunto un traguardo importante nella corsa verso computer quantistici fault-tolerant pratici. In un articolo pubblicato su Nature, i ricercatori Volodymyr Sivak, Paul Klimov e il team hanno dimostrato un sistema in cui un agente di reinforcement learning impara direttamente dai segnali di rilevamento errori generati dalla quantum error correction.
Il problema della calibrazione
I qubit sono estremamente sensibili al drift ambientale: variazioni di temperatura, difetti dei materiali, fluttuazioni di controllo. La calibrazione tradizionale richiede di interrompere il calcolo, eseguire esperimenti dedicati e ritarare i parametri. Su macchine grandi questo diventa un collo di bottiglia proibitivo.
La soluzione: parity checks come segnale di apprendimento
La proposta è elegante. I parity-check della quantum error correction non servono più solo a correggere lo stato logico: vengono riutilizzati come segnale di apprendimento continuo. L'agente RL osserva lo stream di errori, aggiorna migliaia di parametri di controllo (ampiezze di impulsi a microonde, frequenze, coupling) e stabilizza il sistema mentre il calcolo prosegue.
Risultati su Willow
Sperimentato sul processore superconduttivo Willow, il metodo ha prodotto risultati concreti:
- stabilità logica migliorata di 3,5 volte sotto drift artificiale
- ulteriore riduzione del 20% del tasso di errore logico rispetto alla migliore calibrazione umana
- record di meno di un errore logico ogni 1000 cicli sul surface code e circa uno ogni 100 sul color code
Le simulazioni mostrano che l'approccio scala: il numero di iterazioni di training necessarie non cresce con la dimensione del sistema, grazie alla località dei segnali di errore.
Un cambio di paradigma
Non si tratta più di "calcolare, fermarsi, calibrare, ripartire", ma di un sistema che resta attivo e si auto-regola. Per algoritmi che richiedono ore o giorni di calcolo ininterrotto, è un passo decisivo verso macchine quantistiche realmente utilizzabili.
Il lavoro è il risultato della collaborazione tra Google Quantum AI e Google DeepMind e si inserisce nella lunga sequenza di progressi su Willow, dal superamento della soglia di error correction fino ai primi vantaggi quantistici verificabili.
Testo: assistito da AI · revisionato da Carlos H. P. Ross
