AI ratuje komputery kwantowe. Google znalazł sposób na niestabilność

Sztuczna inteligencja pomoże komputerom kwantowym pracować bez przerw poprzez automatyczną kalibrację w czasie rzeczywistym — to odkrycie zespołu badawczego Google stanowi przełom w rozwiązywaniu jednego z największych wyzwań współczesnej informatyki kwantowej.

Problem, który paraliżował komputery kwantowe

Budowa procesorów kwantowych wymaga niezwykle precyzyjnej kontroli. Większość współczesnych maszyn, w tym procesor Sycamore od Google, bazuje na kubitach nadprzewodzących typu transmon sterowanych precyzyjnie wymierzonymi impulsami mikrofalowymi. Sygnały te generuje klasyczna aparatura komputerowa umieszczona na zewnątrz kriostatu — specjalnej lodówki chłodzącej procesor do temperatur bliskich zeru absolutnemu.

Wyjaśnienie problemu wymaga zrozumienia, co dzieje się podczas długotrwałych obliczeń. Wraz z upływem czasu i intensywnością procesów zewnętrzny sprzęt sterujący zaczyna się nagrzewać. Ta drobna zmiana temperatury wystarczy, aby fale mikrofalowe minimalnie zmieniły swoją częstotliwość i amplitudę. Zjawisko to, zwane dryfem kalibracyjnym, sprawia, że impulsy przestają trafiać w idealne punkty rezonansowe kubitów. W efekcie maszyna zamiast poprawnych wyników zaczyna generować szum informacyjny, co zmusza do zatrzymania pracy i ponownego nastrojenia całego systemu.

Do tej pory uruchomienie skomplikowanego algorytmu, na przykład do łamania współczesnego szyfrowania, wymagało wielokrotnych przerw w obliczeniach. To uniemożliwiało wykonywanie długotrwałych operacji matematycznych i blokowało drogę do praktycznych zastosowań technologii kwantowej.

Jak uczenie maszynowe ratuje precyzję kubitów

Zespół Google zauważył, że błędy wynikające z rozkalibrowania aparatury zostawiają w systemie bardzo konkretne ślady. Współczesne systemy kwantowe posiadają wbudowane protokoły korekcji błędów, które stale monitorują stan kubitów fizycznych — te same mechanizmy mogłyby teoretycznie służyć do automatycznego naprawiania problemu.

Wyzwanie polegało jednak na odróżnieniu losowych błędów kwantowych od tych wywołanych dryfem temperatury sprzętu sterującego. Inżynierowie rozwiązali ten dylemat, zaprzęgając algorytm uczenia przez wzmacnianie (reinforcement learning). Podczas obliczeń system celowo wprowadza mikroskopijne zaburzenia do parametrów kontrolnych, analizuje statystyki błędów i na tej podstawie uczy się, jak optymalnie zarządzać układem.

To rozwiązanie jest eleganckie, ponieważ działa w tle bez zatrzymywania głównych obliczeń. System stale testuje nowe ustawienia, przez ułamek czasu pracując w warunkach suboptymalnych, ale symulacje wykazały, że ciągłe mikro-korekty przynoszą znacznie więcej korzyści niż ryzyko dopuszczenia do całkowitego rozregulowania procesora.

Wyniki praktyczne: 20 procent wzrostu dokładności

Nowe rozwiązanie przetestowano na procesorze sterującym dwoma kubitami logicznymi, wykorzystującym dwa różne kody korekcji: kod powierzchniowy oraz kod kolorowy. Uruchomienie algorytmu sztucznej inteligencji działającego w tle pozwoliło zwiększyć zdolność wykrywania i naprawiania błędów o 20 procent.

Test wykazał, że system sprawdza się w czasie rzeczywistym przy zarządzaniu układem kontrolującym około 40 000 parametrów. To liczba imponująca — pokazuje skalę złożoności, którą algorytm musi obsługiwać jednocześnie.

Aspekt	Przed wdrożeniem AI	Po wdrożeniu AI
Zdolność korekcji błędów	100% (bazowa)	120%
Liczba zarządzanych parametrów	Do 40 000	Do 40 000
Wymagana liczba przerw	Wielokrotne	Brak
Typ algorytmu	Klasyczne monitorowanie	Reinforcement learning

Co to oznacza dla przyszłości informatyki kwantowej

Odkrycie zaprezentowane na łamach czasopisma Nature nie zmieni obecnych komputerów z dnia na dzień. Dzisiejsze algorytmy są jeszcze zbyt krótkie, by dryf temperatury stał się barierą nie do przejścia. Stanowi ono jednak gotowy fundament pod architekturę przyszłych maszyn, które będą wykonywać operacje liczone w godzinach lub dniach.

To ma ogromne znaczenie dla praktycznych zastosowań technologii kwantowej. Długotrwałe obliczenia bez przerw to warunek sine qua non dla rozwiązywania rzeczywistych problemów — od modelowania molekuł dla farmacji, przez optymalizację logistyki, po analitykę finansową. Bez możliwości bezprzerwowego działania komputery kwantowe pozostałyby ciekawostką laboratoryjną.

Zastosowanie sztucznej inteligencji do rozwiązania problemu kalibracji pokazuje też głębszą lekcję: wiele wyzwań w zaawansowanej technologii można rozwiązać nie poprzez bardziej zaawansowaną fizykę, ale poprzez inteligentne algorytmy. To otwiera nowe perspektywy dla całej branży informatyki kwantowej — zamiast czekać na przełomy w produkcji kubitów, inżynierowie mogą teraz optymalizować działanie istniejących systemów za pomocą uczenia maszynowego.