Hacia una Computadora Cuántica que Aprende de sus Errores

Towards a quantum computer that learns from its errors

Imagina una orquesta sinfónica interpretando una compleja obra maestra. Si los violines se desafinaran cada pocos compases, la orquesta tendría que detenerse constantemente para volver a afinar sus instrumentos. Afortunadamente, esto no sucede en una orquesta porque los instrumentos se mantienen afinados de manera confiable. Sin embargo, esta es la realidad actual al operar una computadora cuántica.

Las computadoras cuánticas, al ser máquinas analógicas sensibles a las desviaciones, requieren recalibrar perpetuamente sus parámetros de control, es decir, las frecuencias, amplitudes y fases de las señales analógicas que coreografían los qubits. Actualmente, esto implica detener por completo el cálculo cuántico. Esta desconexión total entre el cálculo y la calibración representa un cuello de botella fundamental para el futuro, ya que los algoritmos cuánticos útiles deben ejecutarse continuamente durante días o incluso meses.

Para abordar este desafío, en el artículo «Reinforcement learning control of quantum error correction«, publicado en Nature, demostramos un marco de aprendizaje por refuerzo (RL) en el que un agente autónomo aprende de las detecciones de errores cuánticos para dirigir continuamente miles de parámetros de control, estabilizando el sistema cuántico contra las desviaciones durante el cálculo. En resumen: encontramos una manera de afinar los instrumentos mientras la música suena.

En el ámbito cuántico, medir los qubits colapsa sus estados de superposición cuántica. Para preservar la información cuántica, empleamos la Corrección de Errores Cuánticos (QEC), una técnica que explota la redundancia para crear «qubits lógicos» a partir de muchos qubits físicos, y utiliza verificaciones de paridad especializadas en los qubits físicos para digitalizar el ruido analógico en eventos de detección de errores binarios.

Desafortunadamente, estos bits solo nos dicen que ocurrió un error en alguna parte dentro de una región espacio-temporal delimitada del circuito cuántico, no su ubicación exacta. Para identificar las ubicaciones probables de errores y calcular las correcciones necesarias, confiamos en decodificadores QEC, como el decodificador de redes neuronales AlphaQubit (entrenado con datos reales) y el decodificador algorítmico Tesseract. Si los errores son lo suficientemente raros, estos decodificadores pueden restaurar con éxito la información cuántica lógica analizando los datos de detección de errores. Sin embargo, los decodificadores dejan una pregunta crucial sin respuesta: ¿por qué ocurrieron esos errores en primer lugar?

Algunos errores resultan de la interacción inevitable de un sistema cuántico con su entorno, lo que lleva a la decoherencia. Este proceso destruye las superposiciones cuánticas macroscópicas, convirtiendo efectivamente las computadoras cuánticas en clásicas. Este fenómeno fundamental es tan omnipresente que hace que nuestra realidad clásica familiar emerja de las leyes cuánticas subyacentes de la naturaleza. Mientras que estos errores ambientales nunca pueden prevenirse por completo, muchos otros son manifestaciones de una calibración de control imprecisa y desviaciones de hardware, fallas que permanecen dentro de nuestro poder para mitigar.

Tradicionalmente, la calibración cuántica se basaba en modelos físicos. Sus técnicas se perfeccionaron a lo largo de décadas de investigación en control cuántico. Sin embargo, en todos los dominios tecnológicos, los modelos creados por humanos inevitablemente alcanzan un techo de rendimiento. Recientemente, AlphaQubit superó la precisión de los decodificadores QEC algorítmicos más poderosos. Ahora el control cuántico enfrenta el mismo techo. A medida que los procesadores cuánticos mejoran a través del progreso en la fabricación y el hardware, sus errores se ven dominados por fenómenos complejos que son desafiantes para la modelización y calibración tradicionales. ¿Puede el aprendizaje automático traer nuevos avances?

Google Research tiene una rica historia de pioneros en RL para resolver problemas demasiado complejos para la programación tradicional. A diferencia de los algoritmos que dependen de instrucciones explícitas, el RL opera a través de la experiencia. Un agente autónomo prueba diferentes comportamientos y aprende directamente de los errores resultantes para refinar su estrategia. Aplicar RL para lograr una calibración cuántica precisa y continua se sintió casi inevitable. Dado que QEC ya genera un flujo constante de eventos de detección, simplemente otorgamos a estos datos un papel complementario. Además de decodificarlos y corregir los errores, empleamos los eventos de detección como una señal de aprendizaje activa. A medida que avanza el cálculo, el agente RL monitorea estos datos y aprende a dirigir dinámicamente los parámetros de control, contrarrestando las desviaciones y previniendo nuevos errores.

Fuente: https://research.google/blog/towards-a-quantum-computer-that-learns-from-its-errors/