今天凌晨，新晉諾貝爾化學(xué)獎得主、DeepMind 創(chuàng)始人哈薩比斯參與撰寫的新論文登上了 Nature，主題是如何更準(zhǔn)確地識別并糾正量子計算機(jī)內(nèi)部的錯誤。

我們知道，量子計算機(jī)有潛力徹底改變藥物發(fā)現(xiàn)、材料設(shè)計和基礎(chǔ)物理學(xué)。不過前提是：我們得讓它們可靠地工作。

雖然對于傳統(tǒng)計算機(jī)花費(fèi)數(shù)十億年才能解決的某些問題，量子計算機(jī)在幾小時內(nèi)就可以搞定。然而，量子計算機(jī)比傳統(tǒng)計算機(jī)更容易受到噪聲的影響。如果想要量子計算機(jī)更可靠，尤其是在大規(guī)模情況下，則需要更準(zhǔn)確地識別和糾正內(nèi)部的錯誤。

因此，谷歌 DeepMind 聯(lián)合谷歌量子 AI 團(tuán)隊發(fā)表了一篇論文，推出了 AI 解碼器 AlphaQubit，它能夠以 SOTA 準(zhǔn)確性識別并糾正量子計算的錯誤。據(jù)介紹，這項(xiàng)工作匯集了谷歌 DeepMind 的機(jī)器學(xué)習(xí)知識和谷歌量子 AI 的糾錯專業(yè)知識，從而加速構(gòu)建可靠量子計算機(jī)的進(jìn)程。

兩支團(tuán)隊表示，準(zhǔn)確識別量子計算機(jī)錯誤是促使它們能夠大規(guī)模執(zhí)行長時間計算的關(guān)鍵一步，將為科學(xué)突破和更多新領(lǐng)域的發(fā)現(xiàn)打開大門。

Nature 論文的標(biāo)題為《Learning High-accuracy Error Decoding for Quantum Processors》，即《學(xué)習(xí)量子處理器的高準(zhǔn)確性錯誤解碼》。

• Nature 地址：https://www.nature.com/articles/s41586-024-08148-8

谷歌 CEO 桑達(dá)爾?皮查伊表示，「AlphaQubit 使用了 Transformers 解碼量子計算機(jī)，從而達(dá)到量子糾錯準(zhǔn)確性新 SOTA。這是 AI + 量子計算的激動人心的交集。」

我們接下來看 AlphaQubit 的技術(shù)細(xì)節(jié)和實(shí)驗(yàn)結(jié)果。

量子計算糾錯的原理

量子計算機(jī)利用最小尺度上物質(zhì)的獨(dú)特屬性，例如疊加和糾纏，以比傳統(tǒng)計算機(jī)少得多的步驟解決某些類型的復(fù)雜問題。該技術(shù)依賴于量子比特，它們可以利用量子干涉篩選大量可能性以找到答案。

不過，量子比特的自然量子態(tài)很脆弱，可能受到各種因素的干擾，包括硬件中的微觀缺陷、熱量、振動、電磁干擾甚至宇宙射線，可以說無處不在。

量子糾錯通過使用冗余提供了一種解決方案：將多個量子比特分組為單個邏輯量子比特，并定期進(jìn)行一致性檢查。AlphaQubit 解碼器通過利用這些一致性檢查來識別邏輯量子比特中的錯誤，從而保留量子信息，并進(jìn)行糾錯。

如下動圖展示了邊長為 3（碼距離）的量子比特網(wǎng)格中 9 個物理量子比特（小灰色圓圈）如何形成邏輯量子比特。

其中，在每個步驟中，另外 8 個量子比特在每個時間步驟執(zhí)行一致性檢查（正方形和半圓形區(qū)域，失敗時為藍(lán)色和品紅色，否則為灰色），以通知神經(jīng)網(wǎng)絡(luò)解碼器（AlphaQubit）。在實(shí)驗(yàn)結(jié)束時，AlphaQubit 確定發(fā)生了哪些錯誤。

谷歌構(gòu)建了一個神經(jīng)網(wǎng)絡(luò)解碼器

AlphaQubit 是一個基于神經(jīng)網(wǎng)絡(luò)的解碼器，基于 Transformers 構(gòu)建，而該架構(gòu)也是當(dāng)今許多大型語言模型的基礎(chǔ)。

下圖為 AlphaQubit 的糾錯和訓(xùn)練流程。a 為表面碼的一輪糾錯。b 為解碼訓(xùn)練階段。預(yù)訓(xùn)練樣本要么來自數(shù)據(jù)無關(guān)的 SI1000 噪聲模型，要么來自使用 p_ij 或 XEB 方法從實(shí)驗(yàn)數(shù)據(jù)得出的誤差模型。

AlphaQubit 使用一致性檢查（consistency checks）作為輸入，旨在預(yù)測邏輯量子比特在實(shí)驗(yàn)結(jié)束時的狀態(tài)是否與初始準(zhǔn)備狀態(tài)發(fā)生了翻轉(zhuǎn)。通過一致性檢查，可以識別并糾正計算過程中出現(xiàn)的錯誤，確保邏輯量子比特狀態(tài)保持正確。

最終，AlphaQubit 可以報告其預(yù)測的置信度，從而有助于提高整體量子處理器的性能。

實(shí)驗(yàn)及結(jié)果

實(shí)驗(yàn)測試了 AlphaQubit 對量子處理器 Sycamore 中的邏輯量子比特的保護(hù)效果。谷歌使用量子模擬器在各種設(shè)置中生成了數(shù)億個示例。然后，通過為 AlphaQubit 提供來自特定 Sycamore 處理器的數(shù)千個實(shí)驗(yàn)樣本，針對特定解碼任務(wù)對其進(jìn)行微調(diào)。

在對 Sycamore 量子處理器的新數(shù)據(jù)進(jìn)行測試時，AlphaQubit 在準(zhǔn)確率方面設(shè)立了新的標(biāo)準(zhǔn)。在規(guī)模最大的 Sycamore 實(shí)驗(yàn)中，AlphaQubit 的錯誤率比張量網(wǎng)絡(luò)方法低 6%。此外，AlphaQubit 的錯誤率比相關(guān)匹配方法低 30%。

在 Sycamore 量子處理器的實(shí)驗(yàn)中，解碼準(zhǔn)確性因?qū)嶒?yàn)規(guī)模而異。對于小規(guī)模實(shí)驗(yàn)（距離 3，對應(yīng) 17 個物理量子比特）和大規(guī)模實(shí)驗(yàn)（距離 5，對應(yīng) 49 個物理量子比特），AlphaQubit 的解碼準(zhǔn)確性均優(yōu)于其他方法。

具體而言，AlphaQubit 的表現(xiàn)超過了張量網(wǎng)絡(luò)（TN）方法，后者在大規(guī)模實(shí)驗(yàn)中難以擴(kuò)展。同時，AlphaQubit 也優(yōu)于相關(guān)匹配方法，盡管該方法在準(zhǔn)確性和擴(kuò)展性方面表現(xiàn)良好，但在解碼準(zhǔn)確性上仍不及 AlphaQubit。 

在一系列實(shí)驗(yàn)中，解碼器 AlphaQubit 犯的錯誤最少。

良好的泛化能力

為了評估 AlphaQubit 在更大規(guī)模且錯誤率更低的量子計算機(jī)上的適應(yīng)性，研究人員使用模擬的量子系統(tǒng)數(shù)據(jù)對其進(jìn)行了訓(xùn)練，規(guī)模達(dá)到 241 個量子比特，超出了 Sycamore 平臺的現(xiàn)有能力。

結(jié)果顯示，AlphaQubit 的性能優(yōu)于現(xiàn)有的主要算法解碼器，表明其在未來中型量子設(shè)備上也將具備良好的適用性。

在不同規(guī)模的實(shí)驗(yàn)中，即從距離 3（17 個量子比特）到距離 11（241 個量子比特）的實(shí)驗(yàn)中，AlphaQubit 的解碼準(zhǔn)確性始終優(yōu)于相關(guān)匹配方法。需要注意的是，張量網(wǎng)絡(luò)解碼器由于在大規(guī)模實(shí)驗(yàn)中運(yùn)行速度過慢，未在此圖中顯示。

最后，該系統(tǒng)還展示了一些高級功能，例如能夠接收和報告輸入和輸出的置信度。這些信息豐富的界面有助于進(jìn)一步提高量子處理器的性能。

當(dāng)谷歌研究員在包含多達(dá) 25 輪糾錯的樣本上訓(xùn)練 AlphaQubit 時，它在多達(dá) 100,000 輪的模擬實(shí)驗(yàn)中保持了良好的性能，表明它能夠泛化到訓(xùn)練數(shù)據(jù)之外的場景。

邁向更實(shí)用的量子計算

AlphaQubit 在利用機(jī)器學(xué)習(xí)進(jìn)行量子誤差糾錯方面取得了重要的里程碑。但谷歌表示他們?nèi)匀幻媾R速度和可擴(kuò)展性方面的重大挑戰(zhàn)。

例如，在一個快速的超導(dǎo)量子處理器中，每秒需要進(jìn)行上百萬次一致性檢查。雖然 AlphaQubit 在準(zhǔn)確識別錯誤方面表現(xiàn)出色，但目前還無法實(shí)時糾正超導(dǎo)處理器中的錯誤。谷歌還需要找到更高效的數(shù)據(jù)訓(xùn)練方法，用于支持基于 AI 的解碼器。

目前，谷歌正在結(jié)合機(jī)器學(xué)習(xí)和量子誤差糾錯的前沿技術(shù)，努力克服這些挑戰(zhàn)，為實(shí)現(xiàn)可靠的量子計算機(jī)鋪平道路，這些技術(shù)將有能力解決世界上一些最復(fù)雜的問題。