Google показала способ не останавливать квантовый процессор ради очередной перекалибровки: система использует квантовую коррекцию ошибок и параллельно подстраивает параметры управления во время вычислений. Для индустрии, которая пока умеет громко обещать длинные алгоритмы, но все еще спотыкается о физику железа, это важный сигнал: одна из скучных, но критичных инженерных проблем получила рабочее решение.
Речь идет о работе с сверхпроводниковыми кубитами типа transmon, сообщает Ars Technica. У таких систем калибровка не роскошь, а рутинная необходимость: для каждого кубита и управляющей электроники нужно подобрать частоты, амплитуды и другие параметры микроволновых импульсов так, чтобы ошибка была минимальной. Проблема в том, что эти настройки со временем дрейфуют. Причины приземленные: небольшие различия между элементами, нагрев оборудования, нестабильность внешней электроники. Пока квантовые алгоритмы короткие, это терпимо. Но если когда-нибудь индустрия доберется до действительно долгих вычислений на логических кубитах, привычная схема «стоп, перекалибровка, поехали дальше» просто развалится.
Команда Google решила использовать уже имеющийся поток данных от квантовой коррекции ошибок как источник телеметрии для подстройки системы. В логических кубитах часть физических кубитов постоянно измеряется, чтобы фиксировать так называемые синдромы ошибок, то есть признаки того, что где-то что-то пошло не по плану. Исследователи исходят из простой мысли: ошибки из-за плохой калибровки выглядят в этой статистике не как отдельная магия, а как обычные детектируемые сбои. Значит, если научиться различать случайный шум и систематический дрейф, тот же механизм можно использовать не только для исправления ошибок, но и для постоянной подстройки процессора.
Для этого Google добавила reinforcement learning. Во время работы система вносит небольшие одновременные возмущения в доступные управляющие параметры и смотрит, как меняется статистика событий обнаружения ошибок. По сути, алгоритм постоянно проверяет, какие сдвиги делают квантовую коррекцию ошибок лучше, а какие хуже, и на этой основе обновляет политику управления. В эксперименте такая схема управляла двумя логическими кубитами на уже откалиброванной установке. Причем использовались две разные архитектуры коррекции: surface code и color code. Когда адаптивная подстройка была включена, способность обнаруживать и корректировать ошибки в логических кубитах выросла на 20% по сравнению с режимом без такого управления.
Звучит красиво, но ограничения у подхода вполне земные. Система работает, пока дрейф не уводит процессор слишком далеко от того состояния, на котором алгоритм обучался. Иначе полезные поправки, найденные в одной зоне параметров, в другой уже не спасают. Отсюда неприятный, но честный инженерный компромисс: чтобы не потерять контроль, алгоритму нужно продолжать исследовать пространство параметров прямо во время вычислений. А любое исследование означает, что часть времени система сознательно работает не в оптимальной точке. В классическом софте такой режим назвали бы A/B-тестом в продакшене, только здесь цена не падение CTR, а лишние квантовые ошибки.
Google проверила этот баланс между исследованием и эксплуатацией сначала в симуляциях на маленьком логическом кубите, а затем показала работу в реальном времени на более крупной error-corrected системе, где под контролем алгоритма было уже около 40 тысяч параметров. Ключевой вывод: метод окупается, если дрейф достаточно медленный. Иными словами, система успевает отлавливать ухудшение калибровки раньше, чем оно разрушит вычисление сильнее, чем сами экспериментальные поправки. Это не универсальная таблетка и не доказательство скорого квантового прорыва. Но это редкий пример, когда в квантовой инженерии закрывают не рекламную, а настоящую операционную дыру.
Для разработчиков и техдиректоров здесь интересен не только сам квантовый сюжет, но и знакомый паттерн. Google фактически встраивает контур адаптивного управления в вычислительную систему, используя рабочую телеметрию вместо отдельного окна обслуживания. Такая логика хорошо понятна в распределенных системах, сетях и дата-центрах: не ждать деградации до аварии, а корректировать режим по ходу дела. В мире квантовых вычислений это особенно важно, потому что цена паузы выше, чем кажется. Если длинное вычисление на логических кубитах нельзя безопасно прервать ради перекалибровки, значит, поддержание качества прямо во время работы становится не дополнительной функцией, а частью базовой архитектуры.
Для бизнеса новость тоже скорее практическая, чем эффектная. Она не означает, что квантовые компьютеры завтра побегут взламывать шифрование или считать молекулы промышленного масштаба. Авторы прямо признают: нынешние системы еще не работают достаточно долго, чтобы дрейф уже стал главным ограничением для реальных сложных алгоритмов. Но именно так обычно и выглядит взросление платформы: сначала индустрия учится справляться с проблемами, которые пока не болят каждый день, но гарантированно станут узким местом при масштабировании. В этом смысле квантовая коррекция ошибок перестает быть только щитом от шума и начинает работать как источник обратной связи для всего вычислительного контура.
Следующий вопрос звучит уже не академически: получится ли распространить такой подход на более крупные и более капризные квантовые системы, где число параметров, источников дрейфа и сценариев отказа вырастет на порядок. Если да, то будущее квантовых вычислений будет зависеть не только от того, сколько кубитов удалось собрать на чипе, но и от того, насколько хорошо машина умеет чинить собственную настройку по дороге. Подробнее о работе можно посмотреть в материале .