Google fait apprendre à ses puces quantiques à se corriger seules
Le problème que personne n'avait résolu
Les ordinateurs quantiques sont des machines analogiques. Leurs qubits dérivent en permanence : fréquences, phases, force des signaux de contrôle glissent au fil du temps, sous l'effet de la température, des matériaux ou de l'environnement. Jusqu'ici, la seule réponse à cette dérive était d'arrêter le calcul en cours pour recalibrer la machine. Un problème mineur pour des calculs de quelques secondes. Un obstacle majeur pour les algorithmes utiles de demain, qui devront tourner pendant des jours, voire des mois.
C'est ce verrou que Google Quantum AI et Google DeepMind viennent de faire sauter. Dans un article publié dans Nature, l'équipe explique avoir démontré un cadre d'apprentissage par renforcement dans lequel un agent autonome apprend à partir des détections d'erreurs quantiques pour piloter en continu des milliers de paramètres de contrôle, stabilisant le système contre la dérive pendant le calcul lui-même. Les chercheurs résument leur approche par une image simple : ils ont trouvé une façon d'accorder les instruments pendant que la musique joue.
Comment ça marche concrètement
Le principe est astucieux : au lieu d'ajouter un système de surveillance séparé, l'équipe réutilise les données que la correction d'erreurs quantiques (QEC) produit déjà. Les événements de détection d'erreurs ne servent plus seulement à corriger l'état quantique logique, mais sont aussi transformés en signal d'apprentissage pour un agent de renforcement qui pilote en continu les paramètres de contrôle et stabilise le système pendant le calcul. Autrement dit, la machine apprend de ses propres fautes sans qu'on ait besoin de l'arrêter pour l'observer.
L'expérience a été menée sur le processeur supraconducteur Willow. L'agent de renforcement a géré plus de 1 000 paramètres de contrôle associés à la traduction des circuits de correction d'erreurs en formes d'onde analogiques utilisées pour piloter le processeur.
Des chiffres qui parlent
Les résultats sont documentés avec précision. Sur puce, l'ajustement fin d'un processeur déjà optimisé et calibré par des experts a produit une suppression immédiate de 20 % supplémentaire du taux d'erreur logique, dépassant les limites de la modélisation physique pure. Face à une dérive matérielle injectée artificiellement, les gains sont encore plus nets : l'apprentissage par renforcement a réduit le taux d'erreur logique de 24 % en moyenne et amélioré sa stabilité de 2,4 fois par rapport à une politique de contrôle fixe ; l'ajout d'un pilotage du décodeur a porté la réduction du taux d'erreur logique à 31 % et l'amélioration de la stabilité à 3,5 fois.
Autre enseignement : la méthode ne s'écroule pas quand on grossit l'échelle. Des simulations ont étendu le cadre à des codes de surface de distance 15, avec environ 40 000 paramètres de contrôle, et ont montré que la vitesse de convergence de l'optimisation restait indépendante de la taille du système.
Ce qu'il faut en retenir
Ce travail ne fait pas gagner un qubit de plus. Il change la nature même de l'exploitation d'une machine quantique : d'un mode « calcule puis arrête-toi pour te recalibrer » à un mode continu. Les chercheurs affirment que la technique pourrait aider les futurs ordinateurs quantiques tolérants aux fautes à fonctionner de manière autonome pendant des périodes beaucoup plus longues, en s'adaptant continuellement à l'évolution des conditions matérielles.
La prudence reste de mise. Les démonstrations portent sur des puces de taille intermédiaire, et l'extrapolation à des architectures de plusieurs milliers de qubits physiques reste à valider en conditions réelles — même si les simulations sur 40 000 paramètres sont un signal encourageant. On notera aussi la contribution méthodologique : la technique a été appliquée avec succès sur d'autres briques de l'informatique quantique, notamment sur la culture d'états magiques, où elle a permis d'améliorer l'erreur de culture d'un ordre de grandeur, selon les chercheurs.
Pour les dirigeants qui suivent la trajectoire de l'informatique quantique sans être physiciens, le signal à retenir est celui-ci : l'apprentissage par renforcement cesse d'être un outil pour concevoir de meilleurs algorithmes de correction d'erreurs, il devient un composant d'infrastructure qui tourne en tâche de fond, en permanence, à l'intérieur même de la machine. C'est un pas de plus vers une informatique quantique qui ressemble moins à un instrument de laboratoire fragile et plus à une infrastructure industrielle.