시스템은 보정된 시스템에서 호스팅되는 두 개의 논리적 큐비트를 담당했습니다. 두 사람은 서로 다른 오류 수정 체계(표면 코드와 색상 코드)를 사용하고 있었습니다. 이는 특정 상태로 설정되었으며, 강화 학습 기반 수정이 포함되거나 포함되지 않은 오류 수정 시스템이 사용되었습니다. 시스템을 활성화하면 논리 큐비트의 오류를 감지하고 수정하는 능력이 20% 향상되었습니다.
실시간으로 진행됩니다
이 접근 방식의 한계는 드리프트가 시스템을 훈련된 상태에 합리적으로 가깝게 유지하는 경우에만 작동한다는 것입니다. 한 상태에서 다시 정렬할 수 있는 수정은 시스템이 상당히 다른 상태에 있을 때 효과적이지 않을 수 있습니다.
이에 대한 해결책은 다양한 변경 사항의 효율성을 지속적으로 재평가하는 것입니다. 그러나 여기에는 명백한 문제가 있습니다. 계산 중에 잠재적인 모든 제어 구성을 단순히 무작위화할 수는 없다는 것입니다. 제한된 변형이 있더라도 시스템은 필연적으로 최적의 오류 수정 범위를 벗어나 작동합니다. 따라서 문제는 잦은 최적이 아닌 오류 수정이 드리프트를 방지하여 더 큰 문제를 일으키는 것을 방지하는지 여부였습니다. “탐색-이용 트레이드오프의 유리한 해결은 대부분이 (최적의 것)보다 나쁜 샘플링된 모든 정책 후보의 총 성능이 강화 학습 조정이 없는 성능보다 여전히 낫다는 것을 의미합니다.”라고 연구원은 썼습니다.
매우 작은 오류 수정 큐비트를 사용하여 많은 시뮬레이션을 수행하면 드리프트가 충분히 느리면 절충안이 작동하는 것으로 나타났습니다. 팀은 강화 학습 시스템이 대략 40,000개의 매개변수를 제어할 수 있는 대규모 오류 수정 큐비트를 사용하여 실시간으로 작동할 수 있음을 보여주었습니다.
이것은 분명히 현재로서는 해결책이 아닙니다. 상대적으로 짧고 간단한 알고리즘을 수행할 수 있을 만큼 오랫동안 시스템을 작동할 수 있으므로 드리프트는 문제가 되지 않습니다. 궁극적으로 우리의 의도는 이와 같은 문제가 중요한 계산을 수행할 수 있는 하드웨어를 구축하는 것입니다. 그리고 문제가 될 수 있는 일이 처리될 수 있다는 것을 입증하는 데는 어느 정도 가치가 있습니다.
Nature, 2026. DOI: 10.1038/s41586-026-10759-2 (DOI 정보).
이 주제에 대해 더 알고 싶다면 아래를 참고하세요
