Google 用强化学习让量子计算机在运算中持续校准纠错

用途与变化

Google Research 介绍了一种把强化学习（RL）与量子纠错（QEC）结合的控制框架：QEC 产生的错误检测事件除了用于解码纠正，还被当作学习信号，供 RL 代理动态调节控制参数（频率、幅度、相位等），从而在计算进行中抵消漂移、抑制新错误，而不再需要中断整个量子计算来重新校准。

实验结论

作者称在 Willow 超导处理器上，通过人为注入控制参数漂移，RL 调控把纠错码的逻辑稳定性提升约 3.5 倍；在人工专家校准之后，RL 微调又将逻辑错误率进一步降低约 20%。综合技术后，表面码逻辑错误低于每一千个纠错周期一次，颜色码约为每一百个周期一次。作者还用数百量子比特、数万控制参数的数值模拟说明，所需 RL 训练轮数不随系统规模增长。

限制与待核实

以上为官方博文对论文《Reinforcement learning control of quantum error correction》的陈述，具体实验细节、统计口径和可复现性需查阅原文与同行评审结果。模拟中的可扩展性不等同于真实大规模量子处理器上的表现；代理与处理器之间通信周期和更先进机器学习方法仍待优化。该成果不涉及可购买产品或服务。来源标注时间为 2026 年 7 月 22 日。