現実的な結合はAIによる量子ハードウェア制御
現在もっとも具体的なAIと量子の進展は、量子コンピューターがAI学習を高速化することではなく、AIが不安定な量子ハードウェアを制御することです。Google Quantum AIとGoogle DeepMindは、量子エラー検出信号を利用して計算中に数千の制御パラメーターを調整する強化学習システムをNatureで発表しました。
超伝導プロセッサーは周波数、振幅、位相などのアナログ制御値が時間とともにずれます。従来の精密な再調整は計算を中断するため、数日から数カ月続く有用な計算ではボトルネックになります。新方式は、エラー訂正に使う検出信号をドリフト自体を抑えるリアルタイム学習信号としても利用します。
Willowでの結果
研究チームはGoogleのWillowへ意図的に制御ドリフトを注入しました。強化学習制御は 論理安定性を3.5倍 に高め、専門家が調整した後でも論理エラー率をさらに約20%低減しました。統合システムは表面コードで訂正1,000サイクル当たり1回未満、カラーコードで100サイクル当たり約1回の論理エラーを記録しました。
数百量子ビットと数万パラメーターのシミュレーションでは、必要な学習反復回数がシステム規模に依存しない性質が示されました。ただし、拡張性の一部はシミュレーションであり、同じ通信遅延を持つ大規模実機での実証ではありません。
意味すること、意味しないこと
AIが量子エラーの復号、校正、運用自動化に先に使われる可能性が高まりました。人間が手動調整できない規模ではAI制御層が重要になるでしょう。
一方、これは量子メモリーとエラー制御の実験です。汎用フォールトトレラント量子コンピューター、商用アプリ、AI学習の量子高速化を証明していません。実際のドリフトは注入条件より複雑で、古典制御器と量子プロセッサーの低遅延接続も必要です。