Google Quantum AI、量子エラー訂正に強化学習を統合──Willow プロセッサで論理エラー率を大幅低減
計算を中断せずにドリフトを自動補正する強化学習エージェントを導入し、量子メモリの安定性を最大 3.5 倍に向上させた。
リリース: 2026-06-30 · 読了 5 分記事の要約
1. 核心（What）
- Willow 超伝導量子プロセッサを用い、強化学習（RL）エージェントが量子エラー訂正（QEC）の検出データから制御パラメータを動的に調整する手法を実証。
- 人工的に注入した制御ドリフトに対し、RL による動的ステアリングが論理量子メモリの安定性を 3.5 倍に向上させることを確認。
- 専門家による既存の校正手順に加え、RL によるファインチューニングを行うことで論理エラー率をさらに 20% 抑制。
- 表面符号（surface code）で 1,000 サイクルあたり 1 回未満、カラー符号（color code）で 100 サイクルあたり 1 回未満というエラー率を達成。
2. 影響（Why）
- 計算中断のボトルネック解消: 従来の量子コンピュータはドリフト補正のために計算を完全停止する必要があったが、本手法は音楽を奏でながら楽器を調律するように計算中の連続補正を可能にする。
- 国内量子研究への影響: 国内の量子コンピュータ開発に取り組む大学・研究機関やスタートアップにとって、物理モデルに依存しない適応型制御の導入は、ハードウェアの製造精度限界をソフトウェアで補う現実的な開発戦略となる。
3. 根拠・詳細（How）
- RL エージェントの制御機構: QEC のパリティチェックから得られるエラー検出イベントを学習信号として利用。Willow プロセッサ上の数千の制御パラメータをリアルタイムでステアリングし、環境ドリフトを能動的に相殺する。
- スケーラビリティの検証: 数百量子ビット・数万制御パラメータ規模の数値シミュレーションを実施。学習に必要な反復回数（エポック）がシステムサイズに依存せず一定であることを確認し、大規模化への耐性を示した。
4. 展望・課題（Next）
- 通信サイクルの高速化: エージェントと量子プロセッサ間の通信サイクルを短縮し、より高度な機械学習手法を統合することで、さらなるエラー抑制精度の向上を目指す。