AlphaQubit améliore la correction d'erreurs de 6 % par rapport aux réseaux tensoriels et de 30 % par rapport au correlated matching, une méthode qui repose sur les corrélations entre les qubits.
Ce système combine un entraînement en deux étapes : préentraînement sur données synthétiques et ajustement avec des données expérimentales issues du processeur quantique de Google, Sycamore. Il est conçu pour s'adapter aux bruits complexes, comme les interférences entre qubits et les fuites d'état.
À SURVEILLER: Le temps réel. Bien qu'AlphaQubit soit plus précis, sa vitesse et sa capacité à évoluer restent des défis majeurs pour une correction d'erreurs en temps réel, indispensable pour des ordinateurs quantiques tolérants aux fautes.