Google Research: Bước tiến mới hướng tới máy tính lượng tử tự sửa lỗi

Hãy tưởng tượng một dàn nhạc giao hưởng đang trình diễn một kiệt tác phức tạp. Nếu các cây vĩ cầm bị lạc tông sau mỗi vài nhịp, cả dàn nhạc sẽ liên tục phải dừng lại để chỉnh dây đàn. Rất may, điều này không xảy ra trong một dàn nhạc vì các nhạc cụ luôn giữ được cao độ ổn định. Tuy nhiên, đây lại là thực tế hiện tại khi vận hành một máy tính lượng tử.

Vì máy tính lượng tử về cơ bản là các cỗ máy tương tự (analog) nhạy cảm với sự trôi dạt (drift), việc duy trì hoạt động ổn định đòi hỏi phải liên tục hiệu chuẩn lại các tham số điều khiển của chúng, tức là tần số, biên độ và pha của các tín hiệu tương tự dùng để điều phối các qubit. Ngày nay, điều này đòi hỏi phải chấm dứt hoàn toàn toàn bộ quá trình tính toán lượng tử. Việc tách biệt hoàn toàn giữa tính toán và hiệu chuẩn này đại diện cho một nút thắt cổ chai cơ bản cho tương lai, vì các thuật toán lượng tử hữu ích cần phải chạy liên tục trong nhiều ngày hoặc thậm chí nhiều tháng.

Để giải quyết vấn đề này, trong bài báo “Reinforcement learning control of quantum error correction” (Điều khiển sửa lỗi lượng tử bằng học tăng cường) được công bố trên Nature, chúng tôi đã trình diễn một khung học tăng cường (RL), trong đó một tác nhân tự hành học hỏi từ các phát hiện lỗi lượng tử để liên tục điều chỉnh hàng nghìn tham số điều khiển, giúp ổn định hệ thống lượng tử trước sự trôi dạt trong quá trình tính toán. Tóm lại: chúng tôi đã tìm ra cách chỉnh dây đàn ngay cả khi bản nhạc đang được chơi.

Đối phó với các lỗi lượng tử

Trong một phòng hòa nhạc, một nhạc cụ bị lạc tông sẽ bị phát hiện ngay lập tức. Thế giới lượng tử không có sự xa xỉ đó. Như thể chính hành động lắng nghe đã làm hỏng màn trình diễn, việc đo lường các qubit sẽ làm sụp đổ trạng thái chồng chập lượng tử của chúng. Để bảo toàn thông tin lượng tử, chúng tôi sử dụng Sửa lỗi lượng tử (QEC), một kỹ thuật khai thác tính dư thừa để tạo ra các “logical qubit” (qubit logic) từ nhiều qubit vật lý, và sử dụng các phép kiểm tra chẵn lẻ chuyên biệt trên các qubit vật lý để số hóa nhiễu tương tự thành các sự kiện phát hiện lỗi nhị phân.

Thật không may, các bit này chỉ cho chúng ta biết rằng một lỗi đã xảy ra ở đâu đó trong một vùng không-thời gian giới hạn của mạch lượng tử, chứ không phải vị trí chính xác của nó. Nó giống như việc nghe thấy một nốt nhạc chênh mà không biết chính xác nhạc công nào đã chơi nốt đó. Để xác định các vị trí lỗi có khả năng xảy ra và tính toán các hiệu chỉnh cần thiết, chúng tôi dựa vào các bộ giải mã QEC, chẳng hạn như bộ giải mã mạng thần kinh AlphaQubit (được huấn luyện trên dữ liệu thực) và bộ giải mã thuật toán Tesseract. Nếu các lỗi đủ hiếm, các bộ giải mã này có thể khôi phục thành công thông tin lượng tử logic bằng cách phân tích dữ liệu phát hiện lỗi. Tuy nhiên, các bộ giải mã vẫn để lại một câu hỏi quan trọng chưa được giải đáp: tại sao những lỗi đó lại xảy ra ngay từ đầu?

Một số lỗi là kết quả của sự tương tác không thể tránh khỏi giữa hệ thống lượng tử với môi trường xung quanh, dẫn đến hiện tượng mất liên kết (decoherence). Quá trình tàn nhẫn này phá hủy các trạng thái chồng chập lượng tử vĩ mô, biến máy tính lượng tử thành máy tính cổ điển một cách hiệu quả. Hiện tượng cơ bản này phổ biến đến mức nó khiến thực tại cổ điển quen thuộc của chúng ta xuất hiện từ các quy luật lượng tử cơ bản của tự nhiên. Mặc dù những lỗi môi trường này không bao giờ có thể ngăn chặn hoàn toàn, nhưng nhiều lỗi khác lại là biểu hiện của việc hiệu chuẩn điều khiển không chính xác và sự trôi dạt phần cứng – những khiếm khuyết mà chúng ta vẫn có khả năng giảm thiểu.

Vượt ra ngoài các mô hình vật lý truyền thống

Theo truyền thống, việc hiệu chuẩn lượng tử dựa vào các mô hình vật lý. Các kỹ thuật này đã được tinh chỉnh qua nhiều thập kỷ nghiên cứu về điều khiển lượng tử. Tuy nhiên, trên khắp các lĩnh vực công nghệ, các mô hình do con người tạo ra chắc chắn sẽ chạm đến giới hạn hiệu suất. Thị giác máy tính thời kỳ đầu đã bị đình trệ khi dựa vào các quy tắc hình học nghiêm ngặt. Robot truyền thống vẫn gặp khó khăn với các phương trình động học không nắm bắt được thực tế phức tạp của động lực học tiếp xúc và ma sát. Tương tự, thách thức hàng thập kỷ về việc dự đoán cấu trúc protein vẫn phần lớn là không thể giải quyết đối với các mô hình vật lý truyền thống cho đến khi các hệ thống học sâu như AlphaFold đạt được độ chính xác chưa từng có. Trên khắp các lĩnh vực này, những đột phá mới đã xảy ra khi phương pháp tiếp cận chuyển sang học trực tiếp từ dữ liệu.

Gần đây, AlphaQubit đã vượt qua độ chính xác của các bộ giải mã QEC thuật toán mạnh mẽ nhất. Giờ đây, điều khiển lượng tử cũng phải đối mặt với giới hạn tương tự. Khi các bộ xử lý lượng tử cải thiện nhờ tiến bộ trong chế tạo và phần cứng, các lỗi của chúng bị chi phối bởi các hiện tượng phức tạp vốn là thách thức đối với việc mô hình hóa và hiệu chuẩn truyền thống. Liệu học máy có thể mang lại những tiến bộ mới?

Đừng chỉ sửa lỗi, hãy học hỏi từ chúng!

Google Research có bề dày lịch sử trong việc tiên phong sử dụng RL để giải quyết các vấn đề quá phức tạp đối với lập trình truyền thống. Không giống như các thuật toán dựa trên hướng dẫn rõ ràng, RL hoạt động thông qua trải nghiệm. Một tác nhân tự hành thử nghiệm các hành vi khác nhau và học hỏi trực tiếp từ các lỗi phát sinh để tinh chỉnh chiến lược của nó. Việc áp dụng RL để đạt được hiệu chuẩn lượng tử chính xác, liên tục dường như là điều tất yếu. Vì QEC đã tạo ra một luồng sự kiện phát hiện ổn định, chúng tôi chỉ đơn giản là trao cho dữ liệu này một vai trò bổ sung. Ngoài việc giải mã và sửa lỗi, chúng tôi sử dụng các sự kiện phát hiện như một tín hiệu học tập chủ động. Khi quá trình tính toán diễn ra, tác nhân RL giám sát dữ liệu này và học cách điều khiển động các tham số điều khiển, chống lại sự trôi dạt và ngăn chặn các lỗi mới.

Thí nghiệm điều khiển lượng tử của chúng tôi

Chúng tôi đã xác thực việc điều khiển lượng tử bằng RL trên bộ xử lý siêu dẫn Willow hàng đầu của mình. Bằng cách cố tình đưa vào sự trôi dạt nhân tạo của các tham số điều khiển, chúng tôi đã chứng minh rằng việc điều khiển bằng RL giúp cải thiện độ ổn định logic của mã sửa lỗi lên gấp 3,5 lần, kéo dài thời gian mà bộ xử lý hoạt động như một thiết bị “bộ nhớ lượng tử” đáng tin cậy.

Thông thường, việc điều chỉnh bộ xử lý để đạt hiệu suất cao nhất phụ thuộc rất nhiều vào phương pháp “con người trong vòng lặp” (human-in-the-loop), với các nhà khoa học áp dụng trực giác vật lý để giải quyết các trường hợp biên khó tự động hóa. Tuy nhiên, ngay cả sau khi hiệu chuẩn chuyên gia kỹ lưỡng này, việc tinh chỉnh bằng RL sau đó vẫn giúp giảm hệ thống tỷ lệ lỗi logic thêm 20%.

Sự tổng hợp tất cả các công nghệ của chúng tôi trong thí nghiệm này đã giảm các lỗi logic trong bộ nhớ lượng tử xuống mức thấp kỷ lục: ít hơn một trên một nghìn chu kỳ sửa lỗi trong mã bề mặt (surface code), và một trên một trăm trong mã màu (color code).

Liệu nó có thể mở rộng?

Một câu hỏi quan trọng từ các nhà nghiên cứu học máy và lượng tử là liệu phương pháp RL này có thể mở rộng cho các máy tính lượng tử lớn trong tương lai hay không. Để kiểm tra điều này, chúng tôi đã thực hiện các mô phỏng số với hàng trăm qubit và hàng chục nghìn tham số điều khiển.

Các mô phỏng đã xác nhận kỳ vọng của chúng tôi: số lượng vòng lặp huấn luyện RL (epoch) cần thiết không phụ thuộc vào quy mô hệ thống, nhờ vào độ nhạy cục bộ của các sự kiện phát hiện QEC đối với lỗi. Tuy nhiên, việc hiện thực hóa toàn bộ tiềm năng của khung RL đòi hỏi sự tích hợp chặt chẽ hơn. Bằng cách tăng tốc chu kỳ giao tiếp giữa tác nhân và bộ xử lý lượng tử, đồng thời sử dụng các phương pháp học máy tiên tiến hơn, chúng tôi hy vọng sẽ mở ra những cải tiến đáng kể hơn nữa.

Do đó, công trình của chúng tôi mở ra một mô hình mới: một máy tính lượng tử biết học hỏi từ những sai lầm của chính nó và không bao giờ ngừng tính toán.

Lời cảm ơn

Chúng tôi cảm ơn các đồng tác giả vì những đóng góp của họ, bao gồm việc xây dựng và duy trì cơ sở hạ tầng phần cứng, phần mềm, thiết bị làm lạnh và điện tử. Công trình này được thực hiện nhờ nhóm Google Quantum AI tại Google Research, phối hợp với các nhóm từ Google DeepMind.