Google:RL算法让Willow量子处理器学会自我纠错,稳定性提升3.5倍
Google将强化学习(RL)与量子纠错相结合,用于在Willow处理器计算过程中持续调整参数。该方法将逻辑稳定性提升3.5倍,在surface码中实现每1000个周期不到1次错误,在color码中为每100个周期1次,并可扩展至数百个量子比特。
🤖
本文由人工智能基于一手来源生成。
什么是量子纠错,为何需要强化学习?
量子纠错(quantum error correction)是一种将一个逻辑信息单元分散到多个物理量子比特上的技术,以保护其免受量子计算中不可避免的噪声影响。Google现已将强化学习(reinforcement learning,RL)——一种通过试错和奖励学习最优动作的算法——整合到这一过程中,用于在计算进行的同时持续调整参数,而不仅仅是在计算开始前进行调整。
Willow上创纪录的低错误率
在Google最新的量子芯片Willow处理器上,RL方法将逻辑稳定性相较以往的校准方法提升了3.5倍。该系统在surface码(如今量子纠错的标准方法)中实现每1000个纠错周期不到1次错误,在color码(一种采用不同量子比特排列方式的替代方案)中则为每100个周期1次错误。对比清楚显示了RL的优势:传统物理校准依赖预先测量的噪声模型,而这些模型会随系统变化迅速过时,RL则能实时调整参数。
无需重新训练即可扩展至数百个量子比特
模拟显示,该方法可扩展到拥有数百个量子比特和数万个控制参数的系统,而且训练过程与系统规模无关,这意味着模型无需为每个新芯片重新构建。这标志着从基于物理模型的校准转向基于学习的方法,由AI承担以往需要工程师手动调节才能完成的工作。Google表示,这种方法有望加快迈向实用型量子计算机的进程,因为系统的稳定性直接决定了复杂算法在结果被错误累积抵消之前能够运行多长时间。
常见问题
- 什么是量子纠错?
- 量子纠错(quantum error correction)是一组技术,通过将信息分散到多个物理量子比特上,来保护逻辑量子比特在计算过程中免受噪声和退相干的影响。
- 强化学习如何改善Willow处理器的运行?
- 强化学习(RL)在量子计算过程中持续调整参数,而不是采用固定的物理校准,从而将逻辑稳定性提升3.5倍,并将surface码的错误率降至每1000个周期不到1次。
- 什么是量子比特(qubit)?
- 量子比特(qubit)是量子计算机中信息的基本单位,与经典比特不同,它可以同时表示0和1状态的组合。
📬 AI 新闻直达您的邮箱
按您的方式定制每日摘要——自选主题、来源和频率，一键退订。