間違いを"教材"に、量子コンピュータが自分を調整した。
要点：量子誤り訂正のときに出る「どこで間違えたか」の信号を、そのまま強化学習（AI）の教材として使い、計算を止めずに1,000を超える制御パラメータを調整して論理エラー率を約20%下げた——とGoogle Quantum AIが査読誌 Nature に報告しました。ただし対象は同社の特定装置での実証で、AIが「新しいアルゴリズムを考える」話ではありません。前提と限界まで含めて読みます。
量子コンピュータには、あまり表に出ない地味な弱点があります。動かしているうちに、装置がじわじわと「ずれていく」のです。温度のわずかな変動、電子部品のゆらぎ、材料の経年——こうした小さな要因で、量子ビットを操るマイクロ波の効き方が少しずつ変わり、エラーが増えていきます。だから今の装置は、ときどき計算を止めて「較正（キャリブレーション）」し直す必要があります。
問題は、この止まる時間です。将来、何日、何か月と走らせる長い計算が現実になったとき、そのたびに手を止めて調整していては立ち行きません。「較正のために止める」という前提そのものを外せないか——。Google Quantum AI がNatureに報告したのは、この問いへの一つの答えでした（ScienceDaily などが2026年7月10日前後に紹介）。
「間違いの記録」を、そのまま学習に回す
鍵になったのは、量子誤り訂正がもともと吐き出している情報の再利用です。量子誤り訂正では、貴重な量子情報を直接測ると壊れてしまうため、まわりの補助的な量子ビットを繰り返し測り、「どこかでエラーが起きたか」を示す信号（エラー検出イベント）を絶えず得ています。従来、この信号は「間違いを見つけて直す」ためだけに使われてきました。
研究チームは、この同じ信号に二つ目の役割を与えました。エラー検出のデータを、装置の調子を判断する「手がかり」として強化学習に流し込み、制御のつまみを少しずつ回してみて、エラーが減る方向を探させたのです。
強化学習は、正解をあらかじめ教え込むのではなく、試して・結果を見て・少しずつ良い判断を覚えていくタイプのAIです。ここでは、装置がエラー訂正を続けながら、その統計を見て「このつまみをこう動かすと検出イベントが減る／増える」を学び、マイクロ波の強さや周波数、量子ビット間の結合など1,000を超えるパラメータを同時に調整し続けます。較正と計算を分けるのではなく、重ねてしまう——これが今回の発想の核でした。
これは「自己改善」なのか
「自分の間違いから学ぶ量子コンピュータ」と聞くと、装置が勝手に賢くなっていく様子を思い浮かべたくなります。ですが、そこは冷静に線を引いておきたいところです。今回学習しているのは、あくまで装置を最適な状態に保つための制御であって、新しい計算手順を編み出すわけでも、自分を設計し直すわけでもありません。人手を借りずに自分の調子を整え続ける、という限られた意味での「自律化」です。誇張して受け取ると、話の輪郭がぼやけてしまいます。
実験は同社の超伝導プロセッサ「Willow」で行われました。誤り訂正の代表的な方式である「表面符号（距離5・距離7）」と「カラー符号（距離5）」で試し、いずれも超伝導ハードウェアでの性能の目安を更新した、と報告されています。
報告された数字
| 項目 | 報告されている内容 |
|---|---|
| 装置・方式 | 超伝導プロセッサ Willow／表面符号（距離5・7）・カラー符号（距離5） |
| 学習の教材 | 誤り訂正が出す「エラー検出イベント」の信号 |
| 調整対象 | マイクロ波の振幅・周波数・結合強度など1,000超の制御パラメータ |
| 通常較正＋専門家調整の後 | さらに論理エラー率を約20%削減 |
| 人為的な「ずれ」を注入した条件 | 制御のみの調整で約24%削減・安定性2.4倍。復号器も併せて調整すると約31%削減・安定性3.5倍 |
| 査読 | 査読済み（Nature 掲載） |
目を引くのは、熟練者が丁寧に較正しきった後でもなお約20%下げた、という点です。人が一つずつつまみを合わせるやり方には限界があり、多数の小さな要因が絡み合う領域では、全体を一度に見て調整するAIのほうが伸びしろを見つけやすい——そう読める結果です。チームは、装置をわざと「ずらして」みる実験も行い、放っておけば悪化していく性能を、学習を効かせることで追従・維持できたと述べています。
どこまで言えるか
ここからは但し書きです。第一に、これはGoogleの特定装置での実証であり、実装には同社の非公開ソフトウェアが使われています。論文には再現のための数式的な枠組みが記されているとされますが、他機関がそのまま追試できる段階か否かは、これから確かめられていく点です。
第二に、この手法は「つまみをわざと少し動かして反応を見る」探索を含みます。裏を返せば、一度きりで長時間走らせる本番の計算では、その探索が計算そのものを乱さないよう慎重に按配する必要がある、ということです。さらに、装置の「ずれ」の中には学習が追いつけないほど速いものもあり、ハードウェア自体の改良は依然として欠かせないと研究チーム自身が認めています。距離15の表面符号（約4万個の制御パラメータ）まで想定した数値計算では、最適化の速さが規模にあまり依存しないと示されたものの、これはシミュレーションであって実機での確認は今後の課題です。
それでも、「較正」という裏方の作業を、止めるべき停止時間ではなく走りながら学べる情報として捉え直した発想は、量子コンピュータを実用へ近づける地味だが重い一歩だと感じます。量子ビットの数を増やす競争の陰で、「増えた装置をどう整え続けるか」という問いが静かに立ち上がってきた——今回の報告は、その転換を示す一例として読めそうです。何がどこまで示されたのか、単一装置での実証という但し書きを外さずに、次の追試を待ちたいと思います。