구글 리서치는 양자 컴퓨터의 제어 파라미터 드리프트 문제를 해결하기 위해 양자 오류 검출 데이터를 강화학습(RL)의 능동적 학습 신호로 활용하는 프레임워크를 Nature에 발표했다. 이들은 플래그십 초전도 프로세서 Willow에서 인위적 드리프트를 주입한 실험을 통해 RL 제어가 논리적 안정성을 3.5배 향상시키고, 전문가 캘리브레이션 후에도 논리 오류율을 추가로 20% 억제했으며, 표면 코드에서 1,000회 오류 정정 주기당 1회 미만, 컬러 코드에서 100회당 1회의 기록적 낮은 논리 오류를 달성했다고 밝혔다. 수백 큐비트와 수만 개 제어 파라미터의 수치 시뮬레이션에서 필요한 RL 훈련 반복 횟수가 시스템 크기와 무관함을 확인했으나, 완전한 잠재력 실현을 위해서는 에이전트와 양자 프로세서 간 통신 주기 단축 및 고도화된 머신러닝 기법 적용이 필요하다고 언급했다. 이 연구는 오류로부터 학습하며 계산을 멈추지 않는 양자 컴퓨터라는 새 패러다임을 제시한다. 다만 이는 양자 컴퓨팅 제어 소프트웨어·알고리즘 연구로, 메모리 산업과의 직접적 연결 근거는 원문에서 확인되지 않는다.
이 문서는 양자 컴퓨터의 제어 보정과 오류 정정을 강화학습으로 개선하는 구글의 연구로, 메모리 산업과의 직접적 연결 근거는 원문에서 확인되지 않는다. 양자 컴퓨터는 고전적 메모리 계층(HBM·DRAM·NAND·eSSD 등)을 사용하지 않는 별도 컴퓨팅 패러다임이며, 원문에는 메모리 제품·고객·거래 관계에 대한 언급이 전혀 없다. 따라서 관련 제품·고객·직접 효과·계층 이동·사용량 효과·적용 범위를 원문 근거로 도출할 수 없다. 분석가 가설로는 장기적으로 양자 컴퓨팅이 상용화될 경우 고전 컴퓨팅 수요 일부를 대체하거나 보완할 수 있다는 정도의 간접적 시나리오가 가능하나, 이는 원문이 뒷받침하지 않는 미확인 가정이다. 확인할 지표로는 양자 프로세서의 논리 큐비트 수·오류율·상용화 시점 등이 있으나, 이는 메모리 산업 지표가 아니다.
we demonstrated a [reinforcement learning](https://en.wikipedia.org/wiki/Reinforcement_learning) (RL) framework in which an autonomous agent learns from quantum error detections to continuously steer thousands of control parameters, stabilizing the quantum system against drift during the computation.
By deliberately injecting artificial drift of control parameters, we showed that RL steering improved the logical stability of our error-correcting code 3.5-fold, prolonging the time during which the processor acts as a reliable “quantum memory” device.
Yet, even after this exhaustive expert calibration, subsequent RL fine-tuning systematically suppressed the logical error rate by an additional 20%.
The synthesis of all our technologies in this experiment reduced the logical errors in quantum memories to a record low: fewer than one per thousand error correction cycles in the [surface code](https://research.google/blog/making-quantum-error-correction-work/), and one per hundred in the [color code](https://research.google/blog/a-colorful-quantum-future/).
The simulations confirmed our expectation: the number of required RL training iterations (epochs) is independent of the system size, owing to the local sensitivity of the QEC detection events to errors.
However, realizing the full potential of the RL framework requires tighter integration. By speeding up the communication cycle between the agent and the quantum processor, and employing more advanced machine learning methods, we hope to unlock significant additional improvements.
In addition to decoding it and correcting the errors, we employ the detection events as an active learning signal. As computation progresses, the RL agent monitors this data and learns to dynamically steer the control parameters, counteracting drift and preventing new errors.
Our work thus enables a new paradigm: a quantum computer that learns from its errors and doesn’t stop computing.
변화 → 고객·시스템 → 제품 지표 → 전략 선택지 경로를 기록하세요.
연결된 과제가 없습니다.