Google naučil Willow opravovat se za běhu: AI se učí z vlastních kvantových chyb a posouvá FTQC o krok blíž realitě

Kvantové počítače se dlouhá léta potýkají s problémem, o kterém se v tiskových zprávách příliš nemluví: i ten nejlepší hardware se v průběhu výpočtu rozlaďuje. Mikrovlnné pulzy, frekvence qubitů, vazby mezi qubity — to všechno se mění s teplotou, vibracemi i stárnutím elektroniky. Dosud se tento problém řešil jednoduše: výpočet se zastavil, inženýři ho překalibrovali, a pak se pokračovalo. Pro dnešní krátké experimenty to stačí. Pro budoucí fault-tolerant quantum computing (FTQC) — výpočty trvající dny, týdny i měsíce — to ale přestává fungovat.

Právě na tento problém útočí nová studie výzkumníků z Google Quantum AI, publikovaná 10. července 2026 v Nature (DOI: s41586-026-10759-2). Tým ukázal, že čip Willow — 105qubitový supravodivý procesor, na kterém Google v prosinci 2024 dosáhl průlomu v kvantové korekci chyb pod kritickým prahem — se dokáže průběžně sám rekalibrovat za běhu, a to pomocí reinforcement learningu (učení posilováním), který jako tréninková data využívá přímo chybové signály z kvantové korekce.

Čím je studie přelomová

Výsledky jsou konkrétní a měřitelné:

• Snížení logické chybovosti o ~20 % oproti pečlivě ručně vyladěné konvenční kalibraci.
• 3,5× vyšší stabilita logické chybovosti při uměle vloženém hardwarovém driftu.
• Nové benchmarky pro povrchový kód (surface code) vzdálenosti 5 i 7 a pro color code vzdálenosti 5 na supravodivém hardwaru.
• Systém průběžně ladí více než tisíc řídicích parametrů — amplitudy mikrovlnných pulsů, frekvence qubitů, vazební konstanty — bez zastavení výpočtu.

Klíčová myšlenka je elegantní: data, která kvantová korekce chyb (QEC) stejně produkuje při každém běhu — bity indikující, kde se vyskytla chyba — se recyklují jako tréninkový signál pro reinforcement learning agenta. AI se z každého detekovaného erroru učí, jak malinko pohnout s řízením qubitů, aby chybovost klesala.

Výzkumníci tento koncept nazývají „dual role kvantové korekce chyb" — QEC neslouží jen k ochraně kvantové informace, ale stává se i zpětnou vazbou pro vlastní optimalizaci procesoru.

Jak učení za běhu funguje

Tradiční kalibrace kvantového čipu probíhá před výpočtem — inženýři pomocí speciálních měření ladí každý qubit zvlášť. Tato metoda je pracná, trvá hodiny až dny, a navíc předpokládá, že se podmínky během výpočtu nezmění. Realita je jiná: teplota dilatačního systému, výkyvy napájecího napětí, postupné stárnutí supravodivých spojů — to všechno posouvá pracovní body qubitů o zlomky procent, což se sčítá do řádově vyšší logické chybovosti.

Google tým proto navrhl kontinuální optimalizaci během výpočtu:

1. Detekce: Surface code a color code během výpočtu opakovaně měří pomocné (syndromové) qubity. Výsledkem je proud bitů — syndrom — říkající, kde se pravděpodobně vyskytla chyba.
2. Akce: Reinforcement learning agent analyzuje statistiku těchto syndromů v reálném čase.
3. Adaptace: Agent na základě toho mírně upravuje ~1000 řídicích parametrů hardwaru a sleduje, zda se chybovost zlepšuje či zhoršuje.
4. Smyčka: Postup se opakuje — výpočet nikdy neběží „naprázdno" kvůli kalibraci, jen se během něj průběžně ladí řízení.

Na rozdíl od klasického reinforcement learningu v robotice nebo doporučovacích systémech tady AI optimalizuje nikoli uživatelské preference či pohyb robota, ale stabilitu kvantového procesoru. Výzkumníci přirovnávají celý proces ke kalibraci za letu — podobně jako letecké autopiloty průběžně kompenzují turbulence.

Proč je to zásadní pro FTQC

Cesta k prakticky užitečnému kvantovému počítači vede přes fault-tolerant quantum computing — architekturu, ve které logické qubity (chráněné stovkami či tisíci fyzických qubitů) spolehlivě provádějí dlouhé výpočty. Dnešní špičkové experimenty s FTQC trvají sekundy až minuty. Reálné aplikace — simulace velkých molekul pro návrh léků, faktorizace kryptografických klíčů, optimalizace portfolií — vyžadují nepřetržitý běh v řádu dnů až měsíců.

Jenže čím déle výpočet běží, tím víc se hardware rozlaďuje — a tím víc roste logická chybovost. Bez adaptivní rekalibrace se FTQC stroj po pár hodinách stane nepoužitelným.

Nová metoda tento problém částečně řeší: díky AI agentovi, který neustále kompenzuje drift, může Willow provádět delší a spolehlivější výpočty bez nutnosti manuálního zásahu. Jak autoři studie píší, jde o „limitovanou formu sebezlepšování" — procesor si sám nevymýšlí nové algoritmy, ale neustále se učí lépe řídit své vlastní komponenty.

Čísla z experimentů

V testech na Willowu vědci porovnávali tři režimy:

Autoři navíc ukazují, že systém dosahuje nejlepších dosavadních výsledků pro surface code i color code na supravodivém hardwaru. To je důležité i metodologicky — color code je považován za teoreticky elegantnější alternativu k surface code, ale dosud se na supravodivých qubitech nepodařilo dosáhnout srovnatelné výkonnosti. Willow s reinforcement learningem tuto mezeru zmenšuje.

Kontext: AI jako spojenec kvantových technologií

Studie zapadá do širšího trendu, ve kterém se umělá inteligence stává nepostradatelným partnerem kvantového hardwaru. Vidíme to v několika rovinách:

• Návrh korekčních kódů: IBM nedávno demonstrovalo AI agenta OpenEvolve, který sám objevil nové kvantové korekční kódy efektivnější než ty, které navrhli lidé.
• Objev materiálů: Kvantové simulátory + AI pomáhají hledat supravodiče a kvantové materiály.
• Plánování pulsů: AI optimalizuje tvar mikrovlnných pulsů, čímž zkracuje dobu hradel a snižuje chybovost.
• Kompilace algoritmů: AI překládá vysokoúrovňové kvantové algoritmy do fyzicky proveditelných obvodů.

Reinforcement learning na Willowu je v tomto kontextu přirozeným dalším krokem — AI se stává nejen návrhářem, ale i operátorem kvantového stroje. To je filozoficky zajímavý posun: kvantový počítač se za běhu učí sám od sebe, i když pod dohledem člověka.

Co to znamená pro českou kvantovou scénu

Česká republika aktivně buduje vlastní kvantovou infrastrukturu — viz Česká kvantová síť Praha–Brno–Ostrava, akademické programy na ČVUT, Masarykově univerzitě a AV ČR, i zapojení do evropského Quantum Flagship. Pro české výzkumníky a firmy má studie několik implikací:

1. Nový standard pro provozuschopnost: Pokud se metoda rozšíří, uživatelé kvantových cloudových služeb (IBM Quantum, AWS Braket, Google Cloud) budou očekávat spolehlivější a delší joby.
2. Příležitost pro softwarové firmy: Reinforcement learning stack pro kvantovou kalibraci je oblast, kde se mohou uplatnit specializované startupy — adaptace RL frameworků na různé hardwarové platformy (supravodivé qubity, iontové pasti, neutral-atom systémy).
3. Dopad na post-quantum kryptografii: Stabilnější FTQC urychluje horizont, kdy mohou kvantové počítače efektivně prolomit RSA a ECC — posiluje to naléhavost přechodu na post-kvantové šifrovací standardy, které prosazuje NIST.
4. Vzdělávací dopad: Téma AI × kvantové výpočty je oblast, kde Česko může rychle dohnat světovou špičku — stačí propojit stávající AI komunitu s kvantovými fyziky.

Otevřené otázky

Studie má i své limity, které autoři otevřeně přiznávají:

• Generalizace: Metoda byla testována na Willowu — bude fungovat i na jiných supravodivých procesorech (IBM Heron, Rigetti Ankaa) a na zcela odlišných platformách (iontové pasti Quantinuum, neutral-atom systémy QuEra, fotonické čipy PsiQuantum)?
• Škálovatelnost: Willow má 105 fyzických qubitů. Jakmile se procesory posunou ke stovkám tisíc fyzických qubitů (logické qubity s dlouhou životností), poroste dimenze akčního prostoru pro RL agenta — bude třeba nových architektur.
• Energetická a časová režie: Kontinuální učení za běhu spotřebovává výpočetní čas. Je to přijatelná daň za vyšší stabilitu, nebo to v některých aplikacích převáží výhody?
• Black-box riziko: AI ladí tisíce parametrů najednou — co když najde lokální optimum, které je v rozporu s fyzikálními omezeními? Auditovatelnost RL agenta bude klíčová.

Závěrem

Reinforcement learning na Willowu není revolucí v počtu qubitů ani v základní fyzice kvantových výpočtů. Je to revoluce v provozu — v tom, jak kvantový stroj komunikuje se svým okolím a sám se sebou. Autoři studie tím otevírají cestu ke kvantovým počítačům, které se chovají jako živé systémy: neustále se přizpůsobují, učí se ze svých chyb a zlepšují svůj výkon bez toho, aby je člověk musel neustále ladit.

Pro FTQC — skutečně praktický kvantový počítač schopný běžet dny bez přestávky — je tento druh autonomie naprosto zásadní. A pro celý kvantový ekosystém je to signál, že rok 2026 bude patřit nejen novým qubitům, ale i novým způsobům, jak s nimi pracovat.

Zdroje: Nature: s41586-026-10759-2, The Quantum Insider, Google Quantum AI