El aprendizaje por refuerzo calibra un ordenador cuántico sin pararlo
Un sistema de aprendizaje por refuerzo recalibra un procesador cuántico mientras trabaja y mejora su estabilidad frente a deriva. No fabrica qubits perfectos; evita que los disponibles desafinen tan deprisa. La revolución también necesita un buen técnico de mantenimiento.
¿Quieres un poco más de detalle?
El experimento se realizó sobre un procesador superconductor y se acompañó de simulaciones de códigos mayores, hasta distancia 15. El agente aprende ajustes a partir de señales del sistema sin detener la computación para una recalibración completa. Eso podría reducir interrupciones y mejorar la corrección de errores, aunque escalar desde el montaje experimental a máquinas útiles exigirá más evidencia y control.
El avance conecta dos campos propensos al titular grandioso mediante una tarea bastante humilde: mantener afinado el instrumento. A veces el futuro no llega con un nuevo solista, sino con alguien girando discretamente las clavijas.
Nature publica un método de aprendizaje por refuerzo que ajusta un procesador cuántico mientras continúa calculando. En pruebas con deriva introducida, el sistema multiplicó por 3,5 la estabilidad, atacando uno de los problemas menos fotogénicos y más decisivos del hardware cuántico. La IA aporta una capa de mantenimiento continuo: no crea qubits mágicos, pero ayuda a que los existentes se desvíen menos durante el trabajo.