Il sistema è stato impostato per controllare due qubit logici contenuti in un sistema bilanciato. Entrambi utilizzavano diversi schemi di correzione degli errori (codice posizione e codice colore). Questi sono stati impostati in un caso specifico e il sistema di correzione degli errori è stato quindi utilizzato con e senza correzione basata sull’apprendimento di rinforzo. L’implementazione del sistema ha portato a un aumento del 20% nella capacità di rilevare e correggere errori nei qubit logici.
Viaggia in tempo reale
Un limite di questa metodologia è che funziona solo se la deriva mantiene il sistema ragionevolmente vicino allo stato su cui è stato addestrato. Gli aggiustamenti che potrebbero riportare le cose in allineamento da uno stato potrebbero non funzionare se il sistema si trova in uno stato molto diverso.
La soluzione a questo è rivalutare costantemente l’efficacia dei diversi cambiamenti. Ma questo presenta un problema ovvio: non è possibile semplicemente randomizzare tutte le possibili configurazioni di controllo durante il calcolo. Anche se la variazione è limitata, il sistema funzionerà senza la correzione degli errori. Pertanto, la domanda era se correggere l’errore comune fosse utile per evitare che la deriva causi problemi ancora più grandi. “Una soluzione favorevole al compromesso valutazione-sfruttamento significherebbe che la performance combinata di tutti i campioni politici, la maggior parte dei quali sono peggiori di (buoni), è comunque migliore della performance senza la strategia di apprendimento per rinforzo”, hanno scritto i ricercatori.
L’esecuzione di più simulazioni con un qubit con correzione di errori molto piccolo ha dimostrato che il compromesso ha avuto successo, a condizione che la deriva fosse sufficientemente lenta. Il team ha dimostrato di poter funzionare in tempo reale con un grande qubit con correzione degli errori, in cui il programma di apprendimento per rinforzo aveva il controllo su circa 40.000 parametri.
Questa ovviamente non è una soluzione attuale; possiamo solo mantenere i sistemi in funzione abbastanza a lungo da eseguire algoritmi brevi e semplici, quindi la deriva non è un problema. In definitiva, il nostro obiettivo è costruire hardware in grado di eseguire i tipi di calcoli in cui problemi come questi avranno importanza. E c’è un certo valore nel mostrare che qualcosa che sappiamo può essere un problema può essere affrontato.
Natura, 2026. DOI: 10.1038/s41586-026-10759-2 (Informazioni sui DOI).