Google Research vuole che i computer quantistici imparino dagli errori senza fermarsi

Google Research ha utilizzato l'apprendimento per rinforzo per stabilizzare un processore quantistico corretto dagli errori mentre è in funzione, mettendo in discussione un limite fondamentale dei lunghi calcoli quantistici. Il sistema apprende dai segnali di errore e regola migliaia di parametri di controllo senza richiedere agli scienziati di interrompere il calcolo per ricalibrarlo.

Questa distinzione è importante perché algoritmi quantistici utili potrebbero dover funzionare ininterrottamente per giorni o mesi. I processori attuali restano sensibili alla deriva nelle frequenze, nelle ampiezze e nelle fasi che controllano i loro qubit. Gli operatori normalmente separano il calcolo dalla calibrazione, costringendo la macchina a fermarsi prima che tali impostazioni possano essere corrette.

Il nuovo lavoro, pubblicato su Nature l'8 luglio e illustrato da Google il 22 luglio, riformula questo problema di manutenzione. Invece di trattare gli errori quantistici soltanto come danni da decodificare, il controller li usa come feedback sul processore stesso. Google ha testato l'approccio su Willow, il suo processore quantistico superconduttore, dopo aver introdotto deliberatamente una deriva del controllo.

Il risultato non è un computer autoriparante e tollerante ai guasti pronto per carichi di lavoro commerciali. È un meccanismo per mantenere un sistema corretto dagli errori più vicino al suo obiettivo operativo. La tensione ora è tra la calibrazione statica basata su modelli e il controllo adattivo che apprende mentre il calcolo prosegue.

Google Research trasforma il rilevamento degli errori in un segnale di controllo

Il cambiamento importante è che i dati sugli errori ora svolgono due funzioni: riparare l'informazione logica e insegnare al controller del processore come ridurre gli errori futuri.

L'hardware quantistico non esegue istruzioni attraverso interruttori perfettamente digitali. Si basa su segnali analogici attentamente modellati che manipolano fragili stati quantistici. Piccoli cambiamenti nella temperatura, nell'elettronica, nei materiali o nell'ambiente circostante possono allontanare un processore dal suo punto operativo calibrato.

Questo spostamento è chiamato deriva. Può influire sulla frequenza, sull'ampiezza o sulla fase di un segnale di controllo, modificando la precisione con cui la macchina esegue le operazioni quantistiche. Anche un processore ben calibrato può subire deriva durante un lungo calcolo.

La correzione degli errori quantistici, o QEC, protegge l'informazione codificando un qubit logico su diversi qubit fisici. Controlli di parità ripetuti rivelano schemi associati agli errori senza leggere direttamente lo stato quantistico protetto. Una misurazione diretta farebbe collassare la sovrapposizione da cui dipende il calcolo.

Un decoder analizza quindi questi eventi di rilevamento e stima la correzione necessaria per preservare l'informazione logica. Google ha già esplorato decoder basati sull'apprendimento attraverso la ricerca AlphaQubit, che applica reti neurali ai dati di decodifica degli errori.

La decodifica non identifica il motivo per cui il processore ha generato un determinato schema. Alcuni errori derivano dall'inevitabile interazione con l'ambiente, un processo noto come decoerenza. Altri riflettono una calibrazione imperfetta o la deriva dell'hardware, a cui il software di controllo può porre rimedio.

Il nuovo sistema di controllo adattivo invia gli stessi eventi di rilevamento QEC a un agente di apprendimento per rinforzo. L'apprendimento per rinforzo addestra un agente attraverso il feedback delle sue azioni, anziché tramite un elenco fisso di risposte programmate.

Mentre il calcolo procede, l'agente osserva i cambiamenti nel flusso di rilevamento degli errori. Regola quindi i controlli analogici per contrastare la deriva dedotta. Il decoder continua a gestire le correzioni logiche, mentre il controller cerca di impedire la formazione di ulteriori errori.

Questa divisione è centrale nella correzione degli errori quantistici di Google. Il decoder protegge l'informazione dopo che si verificano errori fisici. Il controller di apprendimento per rinforzo modifica le condizioni operative affinché gli errori controllabili si verifichino meno frequentemente.

Google descrive questo processo come accordare un'orchestra mentre continua a suonare. Il paragone coglie il cambiamento operativo, anche se il feedback sottostante è meno diretto. Un evento QEC identifica un errore all'interno di una regione delimitata del circuito, non un componente difettoso preciso.

L'agente deve quindi apprendere associazioni tra schemi di errore distribuiti e impostazioni di controllo. Non riceve un semplice messaggio che indica che un qubit si è spostato a una frequenza negativa nota. Cerca regolazioni che migliorino le prestazioni logiche nell'intero sistema.

Questo crea il conflitto centrale dell'articolo. La calibrazione tradizionale dipende da modelli fisici, esperimenti controllati e interventi di esperti prima dell'inizio di un carico di lavoro. La calibrazione adattiva tratta i dati sugli errori in tempo reale come una fonte continua di informazioni sull'hardware.

Perché la calibrazione continua è diventata il vero collo di bottiglia

I calcoli lunghi non possono produrre risultati utili se il processore deve ripetutamente scartare il proprio stato affinché i tecnici possano ritararlo.

I processori quantistici sono macchine analogiche che operano con tolleranze insolitamente rigide. Il loro comportamento dipende dall'elettronica di controllo, dalle condizioni criogeniche, dalle differenze di fabbricazione e dalle interazioni tra componenti vicini. Queste variabili diventano più difficili da rappresentare man mano che il processore cresce.

Una routine di calibrazione convenzionale misura risposte hardware selezionate, le adatta a un modello e aggiorna le impostazioni di controllo. Gli scienziati possono applicare l'intuizione fisica quando le procedure automatizzate incontrano un caso insolito. Questo processo funziona abbastanza bene per preparare gli esperimenti, ma resta separato dal calcolo.

Questa separazione diventa costosa quando un calcolo deve preservare uno stato logico per un periodo prolungato. La ricalibrazione può richiedere l'interruzione del calcolo perché le normali misurazioni diagnostiche disturberebbero l'informazione quantistica codificata. L'esecuzione successiva deve ricominciare dopo l'applicazione delle nuove impostazioni.

Google Research sostiene che i futuri algoritmi utili richiederanno un funzionamento ininterrotto di giorni o mesi. Resta incerto se ogni carico di lavoro di valore raggiungerà tale durata. Tuttavia, qualsiasi architettura tollerante ai guasti deve mantenere operazioni logiche stabili molto più a lungo delle brevi dimostrazioni odierne.

La pressione ricade innanzitutto sui sistemi superconduttori che scalano attraverso un gran numero di componenti controllati. Ogni qubit richiede impulsi calibrati, comportamento di lettura e interazioni con i qubit vicini. Un processore più grande crea più parametri e più opportunità di deriva locale.

I miglioramenti dell'hardware non eliminano automaticamente questo onere di controllo. Una migliore fabbricazione può ridurre difetti evidenti e abbassare i tassi di errore medi. Quando tali problemi diminuiscono, effetti residui complessi possono diventare la fonte dominante di guasto.

Questi effetti possono includere diafonia, lenti cambiamenti dei parametri e interazioni che i modelli fisici semplificati non catturano con precisione. Aggiungere più equazioni non risolve sempre il problema. Un modello dettagliato può diventare costoso da aggiornare pur continuando a non cogliere comportamenti specifici di un dispositivo.

Un controller basato sull'apprendimento offre un'altra strada. Può ottimizzare rispetto agli esiti misurati senza richiedere agli ingegneri di specificare in anticipo ogni relazione causale. L'approccio ricorda le applicazioni di machine learning in cui politiche apprese superano regole costruite manualmente in ambienti con molte variabili interagenti.

Tuttavia, il controllo adattivo non sostituisce la fisica quantistica. I ricercatori hanno ancora bisogno di modelli fisici per progettare il processore, selezionare azioni sicure, interpretare i guasti e porre vincoli all'agente. L'apprendimento per rinforzo affronta la parte del sistema in cui le descrizioni costruite manualmente diventano difficili da mantenere.

Ecco perché l'esperimento è importante oltre i miglioramenti dei tassi di errore riportati. Collega direttamente l'intelligenza artificiale al ciclo operativo dell'hardware quantistico corretto dagli errori. L'agente non analizza i risultati dopo un esperimento concluso. Influenza il processore mentre l'informazione protetta resta attiva.

Questa configurazione cambia anche l'obiettivo ingegneristico. I team non hanno più bisogno soltanto di un processore con un basso tasso di errore all'inizio di un benchmark. Hanno bisogno di uno stack di controllo completo che possa mantenere stabili le prestazioni logiche durante l'intero carico di lavoro.

Per gli sviluppatori, l'impatto immediato resta indiretto. Il lavoro non fornisce una nuova interfaccia di programmazione né rende tolleranti ai guasti gli attuali servizi quantistici. La sua importanza si trova al di sotto di quel livello, dove la calibrazione determina se le future applicazioni potranno funzionare abbastanza a lungo da produrre risposte affidabili.

L'apprendimento per rinforzo ha superato la calibrazione degli esperti su Willow

Google afferma che l'apprendimento per rinforzo ha migliorato le prestazioni logiche anche dopo che gli scienziati avevano già calibrato Willow tramite una calibrazione intensiva guidata dall'uomo.

Il team ha valutato il controller sul chip Willow di Google, un processore superconduttore introdotto nel 2024. I ricercatori hanno deliberatamente introdotto deriva nei suoi parametri di controllo, creando un test per verificare se l'agente potesse ripristinare un funzionamento stabile.

Secondo Google, il controllo guidato dall'apprendimento per rinforzo ha migliorato di 3,5 volte la stabilità logica del codice di correzione degli errori in presenza di tale deriva artificiale. Il miglioramento ha esteso il tempo in cui il processore si è comportato come una memoria quantistica affidabile, ovvero ha preservato l'informazione codificata anziché eseguire un'applicazione completa.

I ricercatori hanno anche verificato se il sistema offrisse valore dopo la calibrazione da parte di esperti. Specialisti umani avevano già regolato il processore usando conoscenze fisiche e interventi manuali nei casi difficili. Google afferma che la successiva messa a punto tramite apprendimento per rinforzo ha ridotto il tasso di errore logico di un ulteriore 20 percento.

Questo secondo risultato è probabilmente più rivelatore del recupero dalla deriva introdotta. Un controller che ripara impostazioni degradate intenzionalmente dimostra di poter cercare parametri migliori. Un controller che migliora un sistema calibrato da esperti suggerisce di poter individuare relazioni che operatori esperti o modelli esistenti non hanno colto.

L'esperimento combinato ha prodotto meno di un errore logico ogni mille cicli di correzione degli errori per il surface code. Un surface code organizza i qubit fisici affinché controlli locali ripetuti possano proteggere l'informazione logica. Google ha riportato un errore logico ogni cento cicli per il color code usato nell'esperimento.

Questi numeri richiedono un'interpretazione attenta. Descrivono test di memoria quantistica in condizioni sperimentali definite, non un computer tollerante ai guasti di uso generale che esegue mesi di algoritmi utili. Codici, operazioni, layout dei dispositivi e carichi di lavoro differenti possono produrre risultati diversi.

L'articolo su Nature sottoposto a revisione paritaria fornisce la base tecnica del resoconto dell'azienda. La sua pubblicazione offre ai ricercatori esterni un metodo e un dataset definiti rispetto ai quali valutare le affermazioni. La riproduzione indipendente su altri processori resta un passaggio distinto.

L'approccio inoltre integra i decoder anziché competere con essi. AlphaQubit e sistemi algoritmici come la decodifica Tesseract stimano le correzioni dagli eventi di rilevamento. L'agente di apprendimento per rinforzo usa tali eventi per modificare i controlli che influenzano i futuri tassi di errore.

Questa combinazione crea un sistema di feedback a più livelli. I qubit fisici generano eventi di rilevamento. Un decoder protegge lo stato logico, mentre il controller aggiorna i parametri hardware. Il ciclo successivo produce quindi nuove evidenze sul fatto che tali modifiche siano state utili.

Anche un sistema di calibrazione convenzionale può usare il feedback. La differenza sta nel modo in cui la politica collega le osservazioni alle regolazioni. L’agente di Google apprende questa mappatura attraverso l’esperienza, invece di affidarsi esclusivamente a un modello fisico programmato esplicitamente.

L’esperimento non significa che il computer quantistico comprenda i propri errori. Il sistema ottimizza un obiettivo di controllo a partire da segnali statistici. L’espressione “impara dai propri errori” descrive un processo di feedback adattivo, non ragionamento o autoconsapevolezza.

Anche con questa precisazione, il meccanismo rappresenta un cambiamento significativo. La correzione degli errori è stata generalmente concepita come una difesa dall’hardware rumoroso. Qui, il flusso di errori diventa anche un canale diagnostico che aiuta l’hardware a operare con maggiore accuratezza.

Il controllo adattivo sfida i modelli fisici statici

La competizione principale non è tra Google e un’altra azienda quantistica. È tra il controllo adattivo basato sui dati e una calibrazione che resta fissa durante un calcolo.

La calibrazione basata sulla fisica parte con un vantaggio. I ricercatori comprendono il comportamento previsto di porte quantistiche, risonatori, accoppiatori e sistemi di lettura. I modelli possono codificare questa conoscenza in modo efficiente e imporre limiti di sicurezza che un agente di apprendimento non dovrebbe scoprire tramite tentativi ed errori senza restrizioni.

I modelli statici diventano meno affidabili quando si accumulano effetti non modellati. Un impulso che funziona su un qubit può influenzarne un altro. Un parametro può variare lentamente durante il funzionamento. Le variazioni di fabbricazione possono far sì che componenti nominalmente identici si comportino in modo diverso.

Gli esperti umani spesso risolvono questi casi limite attraverso esperimenti mirati. La loro intuizione è preziosa perché possono collegare un segnale insolito a una causa fisica plausibile. Tuttavia, un esperto non può monitorare e regolare manualmente decine di migliaia di parametri interagenti durante ogni calcolo di lunga durata.

L’apprendimento per rinforzo cambia l’equilibrio trasformando il controllo in un problema di ottimizzazione continua. L’agente può seguire le evidenze locali e aggiornare parametri selezionati mentre la macchina opera. Non necessita di una spiegazione completa per ogni schema prima di agire.

Google ha testato la questione della scalabilità tramite simulazioni numeriche che coinvolgevano centinaia di qubit e decine di migliaia di parametri di controllo. L’azienda riferisce che il numero di iterazioni di addestramento non aumentava con la dimensione del sistema in tali simulazioni.

La ragione proposta è la località. Gli eventi di rilevamento QEC rispondono più fortemente agli errori vicini, quindi l’agente non deve inferire un’unica relazione globale che copra l’intero processore. Il feedback locale può guidare regolazioni locali del controllo anche quando il sistema completo cresce.

Se questa proprietà sarà confermata su hardware più grande, affronterà una seria preoccupazione sulla calibrazione appresa. Un metodo che richiedesse un addestramento esponenzialmente maggiore all’aumentare dei qubit offrirebbe scarso valore pratico. Un numero di iterazioni indipendente dalla dimensione renderebbe l’approccio più plausibile per processori più grandi.

I risultati delle simulazioni non equivalgono alla scalabilità fisica. I processori reali includono latenza, rumore correlato, comportamenti hardware inattesi e limiti alla rapidità con cui le impostazioni di controllo possono cambiare. Una politica che converge in modo efficiente in un ambiente numerico può incontrare vincoli diversi all’interno di un sistema criogenico.

Il ciclo di apprendimento per rinforzo richiede inoltre una comunicazione rapida. Gli eventi di rilevamento devono passare dal processore quantistico all’hardware di calcolo classico. L’agente deve valutarli e restituire controlli aggiornati prima che la deriva causi danni maggiori.

Google riconosce che un’integrazione più stretta e una comunicazione più rapida sono necessarie per cogliere tutti i benefici del metodo. Questo rende lo stack di controllo classico parte del problema della scalabilità quantistica. Processori specializzati, collegamenti a bassa latenza e aggiornamenti pianificati con cura potrebbero contare quanto l’algoritmo di apprendimento.

Le piattaforme quantistiche concorrenti affrontano questioni di stabilità correlate, sebbene il loro hardware presenti sfide di controllo diverse. I sistemi a ioni intrappolati, atomi neutri, fotonici e altri non condividono gli esatti requisiti di calibrazione di Willow. Una politica convalidata su hardware superconduttore non può essere trasferita automaticamente a tali sistemi.

Questo limita l’utilità di un semplice confronto azienda contro azienda. La competizione più ampia riguarda quale architettura riesca a combinare qubit fisici, correzione degli errori, decodifica, calibrazione e controllo classico in un sistema affidabile.

Il risultato di Google rafforza il fronte del controllo adattivo in questa competizione. Suggerisce che il machine learning possa integrare la modellazione fisica laddove il comportamento del processore diventa troppo complesso per procedure fisse. Non dimostra che il controllo appreso sostituirà la calibrazione convenzionale a ogni livello.

Un sistema ibrido resta la direzione più credibile. La fisica fornisce architettura, vincoli e calibrazione iniziale. Gli esperti umani diagnosticano guasti non familiari. Gli agenti appresi ottimizzano continuamente i parametri entro un intervallo operativo approvato.

Questa configurazione rispecchia il modo in cui molti sistemi ingegneristici complessi usano l’automazione. Il controller gestisce regolazioni rapide e ripetitive, mentre le persone definiscono gli obiettivi e indagano le condizioni esterne alla sua esperienza di addestramento. L’hardware quantistico alza la posta in gioco perché un’azione mal scelta può corrompere uno stato logico insostituibile.

Cosa l’esperimento non dimostra ancora

Un esperimento di memoria riuscito in presenza di deriva indotta non dimostra il controllo continuo di un grande computer tollerante ai guasti che esegue un algoritmo utile.

La prima incertezza riguarda la complessità del carico di lavoro. Preservare informazioni logiche in una memoria quantistica è fondamentale, ma il calcolo richiede anche porte logiche, preparazione dello stato, misurazione e coordinamento tra qubit codificati. Ogni operazione può introdurre nuovi errori e interazioni di controllo.

Un controller che stabilizza i cicli di memoria potrebbe richiedere modifiche significative durante operazioni logiche attive. La distribuzione degli errori può cambiare mentre vengono eseguite le porte, i qubit interagiscono e le pianificazioni di controllo diventano più dense. Google non ha affermato che l’attuale esperimento risolva tutte queste condizioni.

La seconda incertezza riguarda la scala sull’hardware fisico. Le simulazioni hanno usato centinaia di qubit e decine di migliaia di parametri, mentre il comportamento di scalabilità riportato si basava su condizioni modellate. Dispositivi reali più grandi possono generare effetti correlati che violano le ipotesi sulla località.

Gli errori correlati meritano particolare attenzione perché la correzione degli errori funziona meglio quando i guasti restano sufficientemente rari e indipendenti. Un’azione di controllo che migliora una metrica locale potrebbe influenzare diversi componenti vicini. L’agente deve evitare di scambiare una riduzione visibile degli errori con un guasto correlato meno evidente.

La terza incertezza riguarda la velocità di adattamento. La deriva non attende una pipeline software. Se rilevamento, inferenza e aggiornamenti del controllo richiedono troppo tempo, il processore può cambiare di nuovo prima che arrivi la risposta dell’agente.

Google identifica la velocità di comunicazione come un’area da migliorare. Non è un dettaglio implementativo minore. L’elaborazione classica a bassa latenza deve operare insieme a decodifica, pianificazione e lettura senza interferire con il carico di lavoro quantistico.

La quarta incertezza riguarda l’esplorazione sicura. L’apprendimento per rinforzo migliora normalmente testando azioni e osservandone gli effetti. Un calcolo quantistico in produzione non può tollerare sperimentazioni ampie che destabilizzino il suo stato codificato.

Il sistema necessita quindi di azioni vincolate, regole di aggiornamento conservative o di una politica affidabile addestrata prima della distribuzione. I ricercatori devono dimostrare che l’adattamento può rispondere a derive non familiari senza introdurre una fonte di instabilità altrettanto grave.

La quinta questione è la portabilità. Una politica può apprendere comportamenti specifici del dispositivo, uno degli aspetti attraenti dell’approccio. Questa specializzazione può anche rendere difficile il trasferimento quando l’hardware viene sostituito, riparato o utilizzato in nuove condizioni.

Il riaddestramento potrebbe essere ordinario se avvenisse rapidamente e in sicurezza. Potrebbe diventare costoso se ogni processore richiedesse un’ampia raccolta di dati in condizioni attentamente controllate. Il numero di iterazioni riportato, indipendente dalla dimensione, è incoraggiante, ma non risponde a ogni questione di implementazione.

Esiste anche un problema di misurazione. L’agente apprende dagli eventi di rilevamento QEC, che contengono informazioni incomplete sui guasti fisici sottostanti. Un controller utile deve distinguere la deriva persistente dal rumore ambientale casuale e dagli errori causati dal calcolo stesso.

Agire sul rumore casuale potrebbe produrre regolazioni non necessarie. Ignorare un sottile schema di deriva potrebbe consentire il deterioramento delle prestazioni logiche. I ricercatori avranno bisogno di valutazioni che mostrino come la politica si comporta in presenza di molteplici fonti di rumore, non soltanto di variazioni dei parametri deliberate.

Una replica indipendente rafforzerebbe il caso. La pubblicazione su Nature consente ad altri ricercatori di esaminare il metodo, ma la replica su un altro processore verificherebbe se i suoi guadagni dipendono dal design di Willow o dall’infrastruttura circostante di Google.

Nessuno di questi limiti rende l’esperimento banale. Essi individuano la distanza tra una dimostrazione controllata e un sistema operativo tollerante ai guasti. Google Research ha mostrato un meccanismo di controllo credibile, mentre i più difficili test di integrazione dei sistemi restano davanti.

Tre segnali che mostreranno se Google Research può scalarlo

Le prossime evidenze dovranno passare da una migliore memoria quantistica a calcoli più lunghi, sistemi fisici più grandi e un controllo a ciclo chiuso più rapido.

Il primo segnale è una dimostrazione durante il calcolo logico, non soltanto nella preservazione della memoria. I ricercatori dovrebbero mostrare una calibrazione adattiva funzionante mentre porte codificate vengono eseguite su più qubit logici. Prestazioni stabili con pianificazioni delle porte in cambiamento rafforzerebbero l’affermazione di Google secondo cui il controller può supportare carichi di lavoro utili.

L’incapacità di mantenere il vantaggio durante le operazioni logiche restringerebbe il risultato. Suggerirebbe che l’attuale politica gestisce meglio cicli di memoria stabili rispetto a calcoli dinamici. Tale esito sarebbe comunque utile per l’archiviazione quantistica, ma indebolirebbe l’argomento più ampio sul calcolo continuo.

Il secondo segnale è la scalabilità fisica oltre l’esperimento attuale. Un processore più grande dovrebbe mantenere l’efficienza di apprendimento riportata controllando più parametri e gestendo più interazioni. I risultati dovrebbero separare i guadagni derivanti da miglioramenti hardware, modifiche al decoder e apprendimento per rinforzo.

La metrica chiave non è semplicemente il numero di qubit fisici. I ricercatori necessitano di tassi di errore logico misurati su esecuzioni più lunghe, con e senza controllo adattivo, in condizioni comparabili. Evidenze che il carico di addestramento resti gestibile sosterrebbero i risultati delle simulazioni.

Il terzo segnale è un’integrazione più stretta tra hardware quantistico e controller classico. Google ha già identificato la velocità di comunicazione come un limite. Le dimostrazioni future dovrebbero indicare con quale rapidità il ciclo rileva la deriva, seleziona una regolazione e la applica.

Una latenza inferiore renderebbe l’adattamento più utile contro cambiamenti più rapidi. Dimostrerebbe inoltre che l’apprendimento per rinforzo può coesistere con la decodifica e altri compiti di controllo in tempo reale. Se il ciclo classico diventa un collo di bottiglia, il processore quantistico non può beneficiare abbastanza rapidamente di una politica migliore.

Questi segnali interessano più degli specialisti quantistici. Sviluppatori e acquirenti aziendali dovrebbero osservare se i fornitori iniziano a riportare operazioni logiche sostenute anziché benchmark isolati sui qubit fisici. L’affidabilità nel tempo determinerà quando i sistemi quantistici diventeranno adatti a lavori scientifici e industriali impegnativi.

I knowledge worker che seguono questo settore devono affrontare anche un crescente problema di evidenze. Gli annunci sul quantum computing combinano metriche dei dispositivi, risultati specifici del codice, simulazioni e interpretazioni aziendali. Conservare i paper sottostanti accanto alle note tecniche in una base di conoscenza ricercabile può rendere più rigorosi i confronti successivi.

Google Research ha trasformato il rilevamento degli errori in un canale di feedback per il controllo continuo. La prossima domanda è concreta: questo ciclo può rimanere sicuro, rapido ed efficace mentre una macchina più grande esegue operazioni logiche per giorni, anziché limitarsi a preservare la memoria in un test controllato?