量子计算机大概彻底改变药物发现、材料设计和基础物理学--首要条件是，大家可以让它们靠谱地工作。

现在，AI（人工智能）也有望彻底改变量子计算机。

之前，Google发布了一种基于 Transformers、可以以最早进的精度辨别量子计算错误的解码器——AlphaQubit，加快了构建靠谱量子计算机的进度。

Google CEO Sundar Pichai 在 X 上写道，“AlphaQubit 借助 Transformers 对量子计算机进行解码，在量子纠错准确性方面达到了新的技术水平。AI与量子计算的交汇让人开心。”

有关研究论文以“Learning high-accuracy error decoding for quantum processors”为题，已发表在权威科学期刊 Nature 上。

准确辨别错误，是使量子计算机可以大规模实行长期计算的重点一步，为科学突破和很多新范围的发现打开了大门。

纠正量子计算错误

量子计算机借助物质在最小尺度上的独特特质，如叠加和纠缠，以比经典计算机少得多的步骤解决某些种类的复杂问题。这项技术依靠于量子比特（或量子位 ），量子比特可以借助量子干扰筛选很多的可能性，从而找到答案。

量子比特的自然量子态会遭到各种原因的破坏：硬件中的微小缺点、热量、振动、电磁干扰甚至宇宙射线（宇宙射线无处不在）。

量子纠错通过用冗余提供了一个解决方法：将多个量子比特组合成一个逻辑量子比特，并按期对其进行一致性检查。解码器通过用这类一致性检查来辨别逻辑量子比特中的错误，从而保存量子信息，并对其进行纠正。

图｜边长为 3（码距）的量子比特网格中的 9 个物理量子比特（灰色小圆圈）是怎么样构成逻辑量子比特的。在每一个时间步中，还有 8 个量子比特实行一致性检查（正方形和半圆形地区，失败时为蓝色和品红色，不然为灰色），为 AlphaQubit 提供信息。实验结束时，AlphaQubit 会确定发生了什么错误。

创建神经互联网解码器

AlphaQubit 是基于神经互联网的解码器，它借鉴了Google开发的深度学习构造 Transformers，该构造是当今很多大语言模型（LLM）的基础。借助一致性检查作为输入，它的任务是正确预测逻辑量子比特在实验结束时的测量结果是不是与筹备时的结果相反。

研究团队第一对模型进行了练习，从而解码来自 Sycamore 量子处置器（量子计算机的中央计算单元）内一组 49 量子比特的数据。为了教会 AlphaQubit 解决普通的解码问题，他们用量子模拟器生成了数以亿计的示例，这类示例跨越了各种设置和误差水平。然后，他们通过给 AlphaQubit 提供来自特定 Sycamore 处置器的数千个实验样本，针对特定的解码任务对其进行微调。

在新的 Sycamore 数据上进行测试时，AlphaQubit 与之前的前沿解码器相比，在准确性方面树立了新的规范。在最大规模的 Sycamore 实验中，AlphaQubit 的错误率比张量互联网办法低 6%，而张量互联网办法虽然精度高，但速度却很慢。AlphaQubit 的错误率也比有关匹配法低 30%，后者是一种精准的解码器，速度快到足以扩展。

图｜小型和大型 Sycamore 实验的解码精度（距离 3 = 17 个物理量子比特，距离 5 = 49 个物理量位）。AlphaQubit 比张量互联网（TN，一种没办法在大型实验中扩展的办法）和有关匹配（一种速度可扩展的精准解码器）更精准。

泛化到练习数据以外

为了知道 AlphaQubit 怎么样适应误差水平较低的大型设施，研究团队用多达 241 量子比特的模拟量子系统数据对其进行了练习，由于这超出了 Sycamore 平台的可用范围。

同样，AlphaQubit 的性能也优于领先的算法解码器，这表明它以后也可以用于中型量子设施。

图｜从距离 3（17 量子比特）到距离 11（241 量子比特）不同规模/模拟实验的解码精度。张量互联网解码器没出目前此图中，由于它的速度太慢，没办法在大距离下运行。其他两个解码器的精准度伴随距离的增加（即便用更多物理比特）而提升。在每一个距离上，AlphaQubit 都比有关匹配更精准。

AlphaQubit 还展示了一些先进功能，譬如同意和报告输入和输出的置信度。这类信息丰富的接口能够帮助进一步提升量子处置器的性能。

当研究团队在包括多达 25 轮纠错的样本上对 AlphaQubit 进行练习时，它在多达 100000 轮的模拟实验中维持了好的性能，这表明它有能力泛化到练习数据以外的场景。

实时纠错仍须加速

Google表示，AlphaQubit 是借助机器学习进行量子纠错的一个要紧里程碑。但他们仍然面临着速度和可扩展性方面的重大挑战。

比如，在迅速超导量子处置器中，每一个一致性检查每秒要测量一百万次。虽然 AlphaQubit 在准确辨别错误方面很出色，但要在超导处置器中实时纠错，它的速度仍然太慢。伴随量子计算的进步，商业应用可能需要数百万量子比特，这亟需更高效的数据办法来练习基于AI的解码器。

整理：学术君

Tags：谷歌