Google Quantum AI: обучение с подкреплением втрое стабилизировало квантовый чип Willow

Google Quantum AI 22 июля 2026 года представила в журнале Nature систему, которая с помощью обучения с подкреплением (reinforcement learning) сама калибрует квантовый процессор Willow прямо во время вычислений — без остановки — и втрое повышает стабильность кода коррекции ошибок.

Как чип учится на своих ошибках

Google Quantum AI встроила алгоритм обучения с подкреплением прямо в контур квантовой коррекции ошибок (QEC). Автономный агент наблюдает за событиями обнаружения ошибок на процессоре Willow и в реальном времени подстраивает тысячи управляющих параметров, компенсируя дрейф оборудования — и всё это, не прерывая вычисление. Раньше калибровку приходилось запускать отдельно, останавливая работу процессора; теперь система «настраивается на ходу».

• Публикация — 22 июля 2026 года, журнал Nature
• Платформа — сверхпроводящий квантовый процессор Willow
• 3,5-кратный рост логической стабильности кода коррекции
• Дополнительное снижение частоты логических ошибок на 20% после дообучения
• Рекорд: менее 1 ошибки на 1000 циклов (surface code), около 1 на 100 (color code)

Насколько снизились ошибки

Дообучение с помощью обучения с подкреплением дало 3,5-кратный рост логической стабильности кода коррекции и дополнительно снизило частоту логических ошибок на 20%, сообщает Google Quantum AI. По данным публикации в Nature, система вышла на рекордно низкие показатели: менее одной ошибки на тысячу циклов для surface code и порядка одной на сто для color code.

Для декодирования Google использует нейросетевой декодер AlphaQubit и алгоритмический декодер Tesseract. Обучение с подкреплением работает поверх них: оно отвечает не за расшифровку ошибок, а за поддержание самого «железа» в оптимальном состоянии, пока идёт счёт.

«Мы нашли способ настраивать инструменты, пока играет музыка», — так авторы описывают непрерывную калибровку во время активных вычислений в блоге

Google Research.

Масштабируется ли подход?

Подход масштабируется на большие квантовые машины: по данным Google Quantum AI, число итераций обучения не зависит от размера системы. В численных симуляциях с сотнями кубитов и десятками тысяч управляющих параметров количество раундов RL-тренировки оставалось примерно постоянным — то есть метод не «захлебнётся» при переходе к тысячам кубитов, которые нужны для практичных отказоустойчивых вычислений.

Ведущие авторы работы — исследователи Google Quantum AI Volodymyr Sivak и Paul Klimov. По данным команды, именно независимость затрат на обучение от масштаба делает метод пригодным для будущих больших квантовых компьютеров, а не только для сегодняшнего Willow.

Что это значит

Обучение с подкреплением превращает квантовый компьютер из хрупкого прибора, требующего постоянной ручной подстройки, в систему, которая сама себя стабилизирует. Это снимает один из ключевых барьеров на пути к отказоустойчивым квантовым вычислениям — непрерывный дрейф оборудования, который годами приходилось компенсировать вручную.

Частые вопросы

Что такое обучение с подкреплением в квантовой коррекции ошибок?

Это ИИ-агент, который учится на сигналах об ошибках и сам подстраивает тысячи управляющих параметров процессора во время вычислений. В работе Google Quantum AI он дал 3,5-кратный рост логической стабильности без остановки счёта.

Что за процессор Willow?

Willow — сверхпроводящий квантовый процессор Google, на котором тестировали метод. Именно на нём система вышла на рекорд: менее одной логической ошибки на тысячу циклов для surface code.

Заменяет ли это декодеры AlphaQubit и Tesseract?

Нет. AlphaQubit (нейросетевой декодер) и Tesseract (алгоритмический декодер) по-прежнему расшифровывают ошибки, а обучение с подкреплением работает поверх них — оно калибрует оборудование, а не декодирует.