物理學與人工智能合作消除量子錯誤

神經網絡已經學會了糾正量子計算過程中出現的錯誤，其性能優于由人類設計的算法。這一思路為實現量子計算機的實用化開辟了一條充滿希望的道路。

量子計算常被認為具有解決傳統計算機無法解決的問題的潛力——從模擬用于藥物研發的分子到優化復雜的物流系統。然而，量子計算的發展道路上還存在一個重大障礙：量子處理器容易受到環境和其他因素的干擾而出錯。解決這一挑戰對于制造實用的量子計算機至關重要。鮑施（Johannes Bausch）等人在《自然》雜志上發表文章，介紹了一種名為AlphaQubit的方法。該方法利用人工智能，在糾正量子錯誤方面實現了重大突破，推動研究人員向實現可擴展的量子計算邁出了關鍵的一步。

量子處理器使用量子比特，它們是量子信息的基本單位。這些處理器利用量子特性執行復雜計算，使得設備能夠以傳統計算機所不能的方式處理信息。然而，使量子計算強大的這些特性同時也使其極其脆弱。量子比特高度敏感，這意味著它們更容易被最輕微的干擾影響，例如溫度變化、電磁干擾，或僅僅是與其他量子比特間的相互作用。這些干擾會導致量子比特失去量子態，從而引發錯誤，而這些錯誤則會不斷累積并影響計算。

為了解決這一問題，研究人員開發了利用冗余糾正量子錯誤的策略。其原理是，將信息編碼在“邏輯”量子比特中，“邏輯”量子比特由比執行計算所需數目更多的物理量子比特組成。這種冗余允許一部分物理量子比特（稱為“輔助”量子比特）在其他量子比特處理信息時檢測并糾正錯誤。該方法使得量子計算機能夠執行更久、更可靠的計算。量子錯誤糾正中最有前景的技術之一是表面碼。它將量子比特組織成二維網格，并利用頻繁的測量識別和修正錯誤。表面碼因其高容錯率以及與現有量子硬件的兼容性而備受青睞。

實現量子錯誤糾正的一個關鍵挑戰是如何解碼錯誤，即從檢測錯誤的量子比特中提取信息，并將其轉化為糾正措施。這一解碼過程對確定如何在不干擾其余量子信息的情況下修復錯誤至關重要。傳統上，解碼主要依賴由人類設計的算法，其中包括一種被稱為最小權重完美匹配的算法。這一算法在處理某些特定類型的錯誤時非常有效，但隨著量子比特數量的增加以及噪聲變得更加復雜，該方法往往難以奏效。現實世界中的量子錯誤包括串擾（即物理上相鄰量子比特之間不必要的相互作用）和泄漏（即量子比特進入特定計算所需狀態之外的其他狀態）。

AlphaQubit 實際上也是一種量子錯誤糾正解碼器，它利用機器學習解決量子糾錯問題，與人類主導的方法存在本質區別。AlphaQubit 不依賴預先定義的容易產生錯誤的模型，而是通過數據直接從量子系統中學習，能夠應對真實環境中復雜且不可預測的噪聲。借助機器學習，AlphaQubit 可以識別可能被傳統方法忽略的錯誤模式和錯誤間的關聯。這使得 AlphaQubit成為比現有方法更加靈活和強大的解決方案。

AlphaQubit 基于Transformer 神經網絡架構，是一種機器學習模型，已成功應用于自然語言處理、圖像識別等多個領域。鮑施等人對 AlphaQubit 的訓練分為兩個階段。首先，使用合成數據，讓模型學習量子錯誤的基本結構，再使用來自谷歌“懸鈴木”（Sycamore） 量子處理器的真實實驗數據。接著，使模型能夠適配真實硬件中遇到的特定噪聲，從而提高整體準確度。

作者的關鍵創新點在于他們引入了軟讀出（soft readout）技術，這是一種在不對量子系統造成太大干擾的情況下從量子系統中提取模擬信息的方法。在傳統的解碼器中，測量結果要么是“0”，要么是“1”。而軟讀出則提供了關于量子比特狀態的更詳細信息，這使得 AlphaQubit 可以更準確地判斷是否發生錯誤，以及如何糾正錯誤（見圖 1）。

圖1 檢測量子計算機中的錯誤。量子比特是量子信息的基本單位，極易受到干擾而失去量子態，從而影響量子計算機的效能。為緩解這一問題，可以將信息編碼在一個被稱為“邏輯”量子比特的量子比特集群中。“邏輯”量子比特由存儲數據的量子比特和可被測量的“輔助”量子比特組成。通過一種被稱為軟讀出的過程對“輔助”量子比特進行測量，檢測和糾正錯誤。然而，對這些測量結果進行解碼極具挑戰性，通常需要借助模型來完成。鮑施等人的研究表明，與人類設計的模型相比，基于人工智能驅動的解碼策略在量子糾錯方面更加準確且適應性更強

在對真實數據和模擬數據的測試中，AlphaQubit都展示出了相較現有方法的明顯優勢。研究人員使用谷歌“懸鈴木”量子處理器對AlphaQubit進行了評估，發現它能對表面碼中距離為 3 和 5 的錯誤進行解碼。這里的“距離”指的是同時發生的、讓一個邏輯量子比特失效所需的最小錯誤數量。距離越大，每個邏輯量子比特涉及的物理量子比特數量越多，糾錯就越復雜，但同時這也提供了更好的抗錯誤能力。這表明，AlphaQubit比現有的解碼器（如最小權重完美匹配算法）更加精準。

鮑施等人的研究還表明，AlphaQubit可以在更大規模的量子系統中發揮作用，在代碼距離高達 11 時仍能保持一定的準確度。這種可擴展性對未來的量子計算機至關重要。即使在包含大量噪聲（例如串擾和泄漏）的情況下，AlphaQubit的表現仍然優于現有的最先進方法。這一結果表明，機器學習可以比傳統的人類設計算法更好地應對現實世界中復雜的量子噪聲。

AlphaQubit的成功是實現容錯量子計算的一個里程碑。容錯意味著即使量子計算機的一些組件出現故障或錯誤，量子計算機仍然可以正常運行。通過利用機器學習增強糾錯能力，AlphaQubit為量子處理器高效自我糾錯鋪平了道路，使大規模量子計算變得更加可行。AlphaQubit能夠適應新數據并隨著時間的推移不斷改進，這在量子硬件快速發展的背景下展現了極大的潛力。

然而，盡管取得了這些令人印象深刻的成果，邏輯錯誤率仍需進一步降低。在理想情況下，要運行包含數千或數百萬次操作的復雜量子算法（這是實現實用量子計算的基本要求），每一萬億次邏輯操作中的錯誤次數不應超過一次。AlphaQubit成功地將錯誤率控制在約每35次邏輯操作出現一次錯誤的水平。因此，要滿足實時量子計算的需求，AlphaQubit還需要進一步改進。

AlphaQubit 的優勢之一在于其從數據中學習的能力，這使它能夠高度適配各種類型的量子硬件。這種適配性非常重要，因為量子硬件仍處于早期開發階段，不同的量子處理器可能具有不同的噪聲特性。通過直接從實驗數據中學習，AlphaQubit能夠針對每種設備優化其性能，提供定制化的糾錯方案。

鮑施和其團隊的貢獻不僅僅在于糾正量子錯誤，它還代表了一種思路上的轉變，即適應性學習在量子系統管理中可以發揮核心作用。這種方法使模型能夠從每種量子設備的細微特性中學習。隨著量子硬件的不斷發展，這一特性將變得至關重要。通過改進控制錯誤的方式和幫助量子計算機在規模和復雜性增長的過程中保持正常運行，這種適應性有助于彌合當前噪聲大、易出錯的量子設備與未來容錯量子計算機之間的差距。

此外，將Transformer神經網絡應用于量子糾錯，凸顯了機器學習模型的全面性，因為這些模型最初是為了完全不同的應用目的而開發的。AlphaQubit的成功表明，其他類型的機器學習模型也可用于解決量子計算的特定難題——從優化量子電路到開發量子算法。這凸顯了跨界融合帶來突破性進展的巨大潛力。

盡管還有許多工作要做，鮑施等人的研究向最終目標（開發能夠執行可靠、大規模、無錯誤計算的量子計算機）邁進了一步。這項研究不僅展示了人工智能在增強量子技術方面的強大作用，還開辟了新的研究方向。通過將量子物理學與機器學習相結合，這些創新可能會釋放出量子領域的真正潛力。

資料來源 Nature

————————

本文作者納迪婭·海德爾（Nadia Haider）任職于QuTech公司的量子計算部和荷蘭代爾夫特理工大學微電子系