Tech • IA • Crypto
Google vient de réaliser une avancée quantique majeure
9.4/10INTRO
Google a démontré un système quantique capable d’auto-corriger en temps réel les erreurs de contrôle grâce à l’apprentissage par renforcement, réduisant fortement les taux d’erreur sans interrompre le calcul.
POINTS CLÉS
Percée en calibration temps réel
Le processeur quantique Willow de Google peut désormais détecter la dérive des paramètres de contrôle et se recalibrer en cours d’exécution. Au lieu d’arrêter les calculs, le système ajuste en continu les signaux micro-ondes pilotant les qubits, supprimant un goulot d’étranglement majeur qui limitait les expériences à de courtes durées.
L’instabilité analogique comme défi central
Contrairement aux ordinateurs numériques, les machines quantiques reposent sur des signaux analogiques extrêmement précis (fréquence, amplitude, phase). Ces paramètres dérivent à cause de la température, des défauts matériaux et de l’instabilité des dispositifs, introduisant des erreurs à chaque porte quantique.
Limites de la calibration traditionnelle
Les méthodes classiques exigent d’interrompre les calculs pour lancer des routines de calibration basées sur des modèles physiques. Efficaces à petite échelle, elles ne tiennent pas pour des systèmes destinés à fonctionner des jours ou des mois (cryptographie, chimie).
Exploitation des données de correction d’erreurs quantiques
Le système s’appuie sur la correction d’erreurs quantiques, où des groupes de qubits physiques forment des qubits logiques plus stables. Les signaux de détection d’erreurs générés pendant le calcul sont réutilisés comme données d’entraînement, sans perturber l’état quantique.
Intégration de l’apprentissage par renforcement
Un agent d’apprentissage par renforcement analyse les motifs d’erreurs et applique de petits ajustements sur des milliers de paramètres de contrôle. Avec des techniques comme proximal policy optimization, il apprend quelles modifications réduisent les erreurs en temps réel.
Gains de performance significatifs
Même sur des systèmes très optimisés, la méthode apporte une réduction supplémentaire de 20 % du taux d’erreur logique. Elle atteint des performances record, dont 7,72 × 10⁻⁴ par cycle sur un code de surface de distance 7.
Adaptation à la dérive matérielle
En introduisant une dérive artificielle, le système a maintenu la stabilité et réduit les erreurs jusqu’à 24 %, avec une amélioration de stabilité de 2,4×. En étendant l’optimisation au décodage, les gains atteignent 31 % et 3,5×.
Récupération après perturbations sévères
Lors de tests où les réglages étaient fortement perturbés, le système a retrouvé de hautes performances de façon autonome, suggérant que l’apprentissage par renforcement pourrait remplacer une partie de la calibration.
Avantage de scalabilité
Des simulations avec jusqu’à 40 000 paramètres de contrôle montrent que le temps d’entraînement n’augmente pas avec la taille. Les signaux d’erreur étant locaux, l’optimisation se décompose en sous-problèmes, facilitant le passage à l’échelle.
Limites connues
L’approche nécessite de l’exploration, testant parfois des configurations moins bonnes, ce qui introduit des erreurs temporaires. Elle est donc moins adaptée aux perturbations très rapides comme les rayons cosmiques, qui doivent être gérées au niveau matériel.
Implications plus larges
La méthode est indépendante du matériel et applicable à d’autres plateformes (ions piégés, atomes neutres). Elle déplace une partie du progrès vers des systèmes de contrôle intelligents pilotés par l’apprentissage automatique.
CONCLUSION
En permettant une auto-optimisation continue, cette approche lève un obstacle clé au calcul quantique à grande échelle et confirme le rôle central du machine learning dans ses avancées futures.