구글, 양자 오류 정정 검출 결과를 활용한 강화학습 제어를 Nature에 발표

양자 컴퓨터는 아날로그 기계이며, 제어 파라미터의 주파수, 진폭, 위상이 드리프트하기 때문에 현재는 보정을 위해 계산 전체를 멈춰야 한다. 유용한 양자 알고리즘은 며칠에서 몇 달 동안 연속 실행이 필요하며, 계산과 보정의 분리가 과제가 된다고 설명되어 있다. 논문 「Reinforcement learning control of quantum error correction」에서는 자율 에이전트가 오류 검출로부터 학습하고, 계산 중에 제어 파라미터를 조종한다.

양자 오류 정정(QEC)은 다수의 물리 큐비트로 논리 큐비트를 만들고, 패리티 검사로 아날로그 노이즈를 이진 오류 검출 이벤트로 변환한다. 다만 이 정보는 오류가 시공간의 어느 범위에서 발생했다는 것만 나타낸다. AlphaQubit과 Tesseract 같은 디코더가 정정을 계산하지만, 오류의 원인까지는 다루지 않는다. 환경과의 상호작용에 의한 디코히런스는 피할 수 없는 반면, 보정 불량이나 하드웨어 드리프트에서 비롯된 오류는 줄일 수 있다고 한다.

실험에서는 Willow 프로세서에 제어 파라미터의 인위적인 드리프트를 가했고, 강화학습에 의한 조종으로 오류 정정 부호의 논리 안정성이 3.5배가 되어 양자 메모리로 기능하는 시간이 늘어났다. 사람이 개입한 보정으로 성능을 높인 뒤에도, 강화학습 파인튜닝으로 논리 오류율이 추가로 20% 낮아졌다. 이들을 통합한 결과, 논리 오류는 서피스 코드에서 1000회의 오류 정정 사이클당 1회 미만, 컬러 코드에서 100회당 1회까지 낮아져 역대 최저 수준이라고 한다.

확장성에 관해서는 수백 개의 큐비트와 수만 개의 제어 파라미터를 사용한 수치 시뮬레이션을 수행했다. 필요한 강화학습 학습 에포크 수는 QEC 검출 이벤트가 오류에 국소적으로 반응하기 때문에 시스템 규모에 의존하지 않았다. 에이전트와 양자 프로세서 간 통신 주기의 고속화나 더 발전된 머신러닝 기법을 결합하면 추가 개선이 기대된다고 한다.