跳到内容 实时漂移 强化学习利用错误信息来调整控制算法。谷歌的Sycamore处理器。信用：谷歌 在我们和有用的量子计算之间，有一些显而易见的大问题。问题包括我们是否能够制造足够的高质量硬件量子比特，以连接到我们所需的错误纠正逻辑量子比特，以及我们如何生成执行这些逻辑量子比特的通用计算所需的状态。但在我们能够执行计算之前，还有许多不那么明显的挑战需要解决。其中一个只影响某些类型硬件的挑战是校准。对于我们制造的设备，如超导量子比特，个别量子比特之间总是存在微妙的变化。（当我们使用原子作为量子比特时，这种情况不成立，但控制它们的激光可能会漂移。）因此，这种硬件会经过一个称为校准的过程，在这个过程中，我们测试不同频率和幅度的微波脉冲，以找到能够产生最低错误率的组合，然后将这些设置保存以便在计算中使用。然而，在进行计算时，您无法执行典型的校准过程，这意味着漂移在长时间复杂的算法中成为一个问题。不过，谷歌已经发现可以使用与错误纠正相同的数据来进行校准。强化学习 谷歌和一些其他公司依赖的硬件是超导量子比特。它们由连接到谐振器的超导线圈组成，通过微波光子的脉冲进行控制。这些脉冲由保持在制冷外部的硬件控制，包括经典计算机和它们控制的微波源。在校准期间，此硬件用于测试不同波长和幅度的组合。由于使用时硬件升温等随机因素，这些设备也可能漂移。对于我们最终打算在量子计算机上运行的复杂算法，这可能成为一个问题，例如那些可以破解当前加密的算法。目前，如果系统显示出漂离校准的迹象，谷歌表示它会简单地停止计算并重新校准。然而，这在复杂计算进行到一半时并不是一个选项。这些计算将使用错误纠正量子比特进行，其中测量一部分硬件量子比特的结果用于检测和描述发生在持有数据的量子比特上的任何错误。正如谷歌研究人员在他们的论文中指出的，他们将检测到的一些错误将是校准失败的产物：“来自不完美校准的错误产生可检测的综合症，就像所有其他错误一样。”理论上，我们可以使用相同的错误检测来识别随机错误和由校准问题产生的错误。挑战是区分这两者。团队的解决方案是什么？强化学习，计算机试验它访问的约1,000个控制参数的不同配置，并评估它们限制错误的有效性。“我们故意在计算过程中对所有控制参数施加小的、同时的扰动，以探测控制空间，”团队写道。“这些扰动转化为错误检测事件统计的微妙变化。”通过使用这些信息，系统可以推断调整这些参数如何最小化某些错误。如果这些错误开始显现，它可以进行适当的调整。这可以与管理逻辑量子比特的错误检测和纠正系统并行进行。该系统负责在一个经过校准的系统上托管的两个逻辑量子比特。这两个量子比特使用不同的错误纠正方案（表面码和颜色码）。这两个量子比特被设置在特定状态，然后错误纠正系统在有和没有强化学习驱动的校正的情况下进行使用。启用该系统使逻辑量子比特的错误检测和纠正能力提高了20%。 实时进行 这种方法的局限在于，它仅在漂移使系统合理接近于其训练状态时有效。从一个状态恢复对齐的修正在系统处于显著不同的状态时可能无效。解决这个问题的方法是不断重新评估不同改动的有效性。但这有一个明显的问题：在计算过程中，您不能简单地随机化所有潜在的控制配置。即使有限变化，系统必然会在其最佳错误纠正之外运行。因此，问题是频繁的次优错误纠正是否可以通过使漂移不造成