Google:RLアルゴリズムが量子プロセッサWillowに自己エラー訂正を学習させ、安定性が3.5倍に向上
Googleは、Willowプロセッサでの計算中にパラメータを継続的に調整するため、強化学習(RL)を量子エラー訂正に統合しました。このアプローチは論理的安定性を3.5倍向上させ、surfaceコードで1,000サイクルあたり1回未満、colorコードで100サイクルあたり1回のエラー率を達成し、数百量子ビットへのスケーリングも可能にしています。
この記事はAIにより一次情報源から生成されました。
量子エラー訂正とは何か、なぜRLが必要なのか?
量子エラー訂正(quantum error correction)は、量子計算に必然的に伴うノイズから保護するために、1つの論理的な情報単位を複数の物理量子ビットに分散させる技術です。Googleは今回、試行と報酬を通じて最適な行動を学習するアルゴリズムである強化学習(reinforcement learning、RL)をこのプロセスに統合し、計算前だけでなく計算そのものの最中にパラメータを継続的に調整できるようにしました。
Willowで達成された記録的な低エラー率
Googleの最新の量子チップであるWillowプロセッサでは、RLアプローチにより従来のキャリブレーション手法と比較して論理的安定性が3.5倍向上します。このシステムは、今日の量子エラー訂正における標準的な手法であるsurfaceコードで1,000訂正サイクルあたり1回未満のエラー率を達成し、量子ビットの配置が異なる代替方式であるcolorコードでは100サイクルあたり1回のエラー率を達成しています。この比較はRLの明確な優位性を示しています。従来の物理的キャリブレーションは、システムが変化するにつれて急速に陳腐化する事前測定されたノイズモデルに依存しますが、RLはパラメータをその場で適応させます。
再訓練なしで数百量子ビットへスケーリング
シミュレーションによれば、このアプローチは数百の量子ビットと数万の制御パラメータを持つシステムにもスケーリング可能であり、訓練はシステムの規模に依存しないため、新しいチップごとにモデルを一から構築し直す必要はありません。これは、物理的なキャリブレーションモデルから学習ベースのアプローチへの転換を意味し、これまでエンジニアが手作業で行っていた調整をAIが担うことになります。Googleは、システムの安定性が、結果を無効にするエラーの蓄積なしに複雑なアルゴリズムをどれだけ長く実行できるかを直接左右するため、このアプローチが実用的な量子コンピュータへの道を加速させる可能性があると述べています。
よくある質問
- 量子エラー訂正とは何ですか?
- 量子エラー訂正(quantum error correction)は、計算中のノイズやデコヒーレンスから論理量子ビットを保護するために、情報を複数の物理量子ビットに分散させる一連の技術です。
- 強化学習はWillowプロセッサの動作をどのように改善しますか?
- 強化学習(RL)は、固定的な物理的キャリブレーションの代わりに量子計算中にパラメータを継続的に調整し、論理的安定性を3.5倍向上させ、surfaceコードでのエラー率を1,000サイクルあたり1回未満に低減します。
- 量子ビットとは何ですか?
- 量子ビット(qubit)は量子コンピュータにおける情報の基本単位であり、古典的なビットとは異なり、0と1の状態の組み合わせを同時に表すことができます。
📬 AIニュースをあなたの受信箱へ
毎日のダイジェストを自分仕様に——トピック、ソース、頻度を選べます。ワンクリックで解除。