Google: RL-Algorithmus bringt dem Quantenprozessor Willow bei, eigene Fehler zu korrigieren, Stabilität steigt um das 3,5-Fache

Was ist Quantenfehlerkorrektur, und warum braucht sie RL?

Quantenfehlerkorrektur ist eine Technik, die eine einzelne logische Informationseinheit auf mehrere physische Qubits verteilt, um sie vor dem Rauschen zu schützen, das eine Quantenberechnung unvermeidlich begleitet. Google hat in diesen Prozess nun bestärkendes Lernen (Reinforcement Learning, RL) integriert — einen Algorithmus, der optimale Aktionen durch Versuch und Belohnung erlernt —, um Parameter während der Berechnung selbst kontinuierlich nachzujustieren, nicht nur davor.

Rekordniedrige Fehlerraten bei Willow

Auf Willow, Googles neuestem Quantenchip, verbessert der RL-Ansatz die logische Stabilität um das 3,5-Fache gegenüber bisherigen Kalibrierungsmethoden. Das System erreicht weniger als einen Fehler pro 1.000 Korrekturzyklen im Surface-Code, dem heute gängigen Ansatz zur Quantenfehlerkorrektur, sowie 1 Fehler pro 100 Zyklen im Color-Code, einem alternativen Schema mit anderer Qubit-Anordnung. Der Vergleich zeigt einen klaren Vorteil für RL: Die klassische physikalische Kalibrierung stützt sich auf zuvor gemessene Rauschmodelle, die veralten, sobald sich das System ändert, während RL die Parameter laufend anpasst.

Skalierung auf Hunderte Qubits ohne erneutes Training

Simulationen zeigen, dass sich der Ansatz auf Systeme mit Hunderten Qubits und Zehntausenden Steuerparametern skalieren lässt, wobei das Training unabhängig von der Systemgröße ist — das Modell muss also nicht für jeden neuen Chip von Grund auf neu aufgebaut werden. Das markiert einen Übergang von physikalischen Kalibrierungsmodellen hin zu lernbasierten Ansätzen, bei denen KI eine Aufgabe übernimmt, die zuvor Ingenieure durch manuelles Nachjustieren erledigten. Google zufolge könnte dieser Ansatz den Weg zu praktisch nutzbaren Quantencomputern beschleunigen, da die Systemstabilität direkt bestimmt, wie lange komplexe Algorithmen laufen können, bevor sich Fehler anhäufen, die das Ergebnis zunichtemachen.