- Google ha sviluppato un sistema che usa il reinforcement learning per correggere la deriva dei qubit superconduttori durante l'esecuzione dei calcoli, senza interrompere le operazioni
- Il sistema introduce piccole perturbazioni ai parametri di controllo e osserva gli effetti sugli errori rilevati, ottenendo un miglioramento del 20% nella correzione degli errori logici
- La tecnica è stata testata su un qubit logico con 40.000 parametri gestiti in tempo reale, aprendo la strada a processori quantistici più stabili per algoritmi complessi
Uno dei problemi meno discussi nella corsa verso il calcolo quantistico utile non riguarda la potenza dei qubit né la complessità degli algoritmi: riguarda la calibrazione. I processori dei computer quantistici basati su hardware fisico tendono a spostarsi lentamente dalle loro impostazioni ottimali nel corso del tempo, un fenomeno noto come deriva o drift. Google ha trovato un modo per tenerlo sotto controllo senza interrompere i calcoli in corso, usando il reinforcement learning e sfruttando gli stessi dati già prodotti dalla correzione degli errori.
Perché la calibrazione dei qubit è un problema difficile
I computer quantistici costruiti con qubit superconduttori, come quelli di Google, sono dispositivi fisici con variazioni individuali inevitabili. Ogni qubit risponde in modo leggermente diverso agli impulsi a microonde che lo controllano, quindi prima di eseguire un calcolo il sistema viene calibrato: si testano frequenze e ampiezze diverse fino a trovare la combinazione che produce il minor numero di errori. Quelle impostazioni vengono poi salvate e usate durante l’esecuzione.
Il guaio è che il processo standard di calibrazione non può avvenire mentre un calcolo è in corso. E per algoritmi lunghi e complessi, la deriva del sistema diventa un problema reale: l’hardware fisico che controlla i qubit, tenuto fuori dalla zona refrigerata, può scaldarsi e allontanarsi dalle impostazioni originali. Oggi Google si limita a fermare il calcolo e ricalibrare da capo, ma questa soluzione non è praticabile per le operazioni più ambiziose che il quantum computing dovrà affrontare in futuro.
Come il reinforcement learning entra nella correzione degli errori quantistici
I transmon, il tipo di qubit usato da Google e da altre aziende, funzionano all’interno di un sistema di correzione degli errori che misura continuamente un sottoinsieme di qubit fisici per rilevare e caratterizzare gli errori su quelli che contengono i dati. La scoperta chiave del team di ricerca è che gli errori causati da una calibrazione imperfetta producono gli stessi segnali di rilevamento di qualsiasi altro tipo di errore. In teoria, è possibile usare questo flusso di dati per distinguere tra errori casuali ed errori dovuti alla deriva del sistema.
La soluzione adottata è il reinforcement learning: il sistema introduce piccole perturbazioni simultanee a circa 1.000 parametri di controllo mentre il calcolo procede e osserva come cambiano le statistiche degli eventi di rilevamento degli errori. Analizzando questi cambiamenti, impara quali regolazioni portano a meno errori e le applica in tempo reale, in parallelo con il normale sistema di correzione. Durante i test su due qubit logici, uno basato su un codice a superficie e uno su un codice a colori, questo approccio ha prodotto un miglioramento del 20% nella capacità di rilevare e correggere gli errori.
Il compromesso tra esplorazione e stabilità
Il limite di questo approccio è che funziona bene finché il sistema non si allontana troppo dallo stato in cui è stato addestrato. Se la deriva è troppo rapida o ampia, le correzioni apprese potrebbero non essere più efficaci. La soluzione è rivalutare continuamente l’efficacia delle diverse regolazioni, ma questo introduce un problema pratico: introdurre variazioni randomizzate ai parametri di controllo durante un calcolo significa operare temporaneamente fuori dalle condizioni ottimali di correzione degli errori.
Il team ha verificato tramite simulazioni che questo compromesso tra esplorazione e sfruttamento vale la pena, a condizione che la deriva sia sufficientemente lenta. Ha poi dimostrato che il sistema funziona in tempo reale su un grande qubit logico con correzione degli errori, dove il reinforcement learning gestiva circa 40.000 parametri. Lo studio è stato pubblicato su Nature con DOI 10.1038/s41586-026-10759-2.
Questo lavoro non è una soluzione ai problemi del presente, dato che i sistemi attuali eseguono solo algoritmi brevi e semplici per i quali la deriva non è ancora una preoccupazione concreta. Ma dimostra che uno degli ostacoli tecnici più concreti verso il quantum computing utile ha già una risposta plausibile e che quella risposta potrebbe passare proprio dagli strumenti che il settore AI ha già reso maturi. Se ci preoccupa spesso quanta energia consumi l’AI, vale la pena notare che potrebbe anche essere parte della soluzione per rendere i computer quantistici più affidabili: una dipendenza circolare con cui il settore dovrà prima o poi fare i conti.
