Google 利用強化學習實現量子電腦即時硬體校正

趙嫺 | 特約編輯 (臺灣大學化學系碩士生)

量子誤差校正（Quantum Error Correction, QEC）是實現大型量子電腦的關鍵技術，但前提是硬體錯誤率必須維持足夠低。現行做法是在量子電腦執行一段時間後，停止演算法、重新校正（calibration）硬體，再繼續運算。然而，未來真正有用的量子演算法可能需要連續執行數小時甚至數個月，期間硬體控制參數會持續飄移（drift），使原本的校正逐漸失效。

Google 團隊在發表於 Nature 的研究中，提出利用量子誤差校正過程中產生的誤差偵測事件（error-detection events）作為強化學習（Reinforcement Learning, RL）的學習訊號。這些事件原本僅供解碼器（decoder）判斷錯誤位置，如今則進一步作為強化學習的回饋（reward），此方法讓量子電腦能在量子誤差校正持續運作期間，利用既有的誤差偵測資料調整硬體控制參數。研究目前已在量子記憶實驗中驗證，並以模擬評估其應用於不中斷長時間量子運算的可行性。

具體而言，強化學習每次會對超過 1000 個控制參數（例如微波脈衝振幅、頻率及 CZ gate 控制參數）施加微小調整，再利用每一輪量子誤差校正產生的誤差偵測事件數量作為最佳化目標。若調整後誤差偵測事件減少，代表硬體誤差降低，強化學習便朝該方向更新控制參數；反之則往相反方向修正。

由於這些偵測事件原本就是量子誤差校正過程中必須取得的資訊，因此整個學習流程不需要增加額外的量子量測，也不需要中斷演算法，而是直接利用既有的量子誤差校正資料持續最佳化硬體控制。

研究團隊在 Google Willow 超導量子處理器上驗證了此方法。相較於傳統校正流程，強化學習在完成既有校正後，仍可進一步將邏輯錯誤率（logical error rate）降低約 20%；在人工加入硬體漂移的測試中，僅調整硬體控制參數便使邏輯錯誤率的穩定度改善約 2.4 倍，若再搭配解碼器參數調校，改善幅度可達約 3.5 倍，展現了即時追蹤硬體漂移的能力。

此外，作者也驗證了此方法的可擴展性（scalability）。在模擬更大規模的表面碼（surface code），約 40,000 個控制參數的情況下，強化學習的最佳化速度幾乎不受系統規模影響，顯示此方法有能力擴展至未來的大型容錯量子電腦。

這項研究最大的突破，不是讓量子電腦學會新的演算法，而是讓它利用量子誤差校正本來就會產生的錯誤資訊，在執行量子演算法的同時持續最佳化硬體控制，將原本需要停機重新校正的流程整合到運算過程中，朝真正能長時間穩定運作的容錯量子電腦邁進。