AlphaQubit攻克量子计算最大挑战之一
AlphaQubit，一款基于AI的解码器，能以业界领先的精度识别量子计算错误。
量子计算机有潜力彻底改变药物发现、材料设计和基础物理学——前提是能让它可靠地运行。某些传统计算机需要数十亿年才能解决的问题，量子计算机只需数小时。然而，这些新型处理器比传统处理器更容易受到噪声的影响。如果要让量子计算机更可靠，尤其是在大规模应用时，就需要准确识别并纠正这些错误。
在一篇今日发表在《Nature》上的论文中，我们介绍了AlphaQubit，一个基于AI的解码器，能以最先进的精度识别量子计算错误。这项合作结合了某机构DeepMind的机器学习知识和某机构量子AI的纠错专长，以加速构建可靠量子计算机的进程。准确识别错误是让量子计算机能够大规模执行长时间计算的关键一步，这将为科学突破和许多新的发现领域打开大门。
纠正量子计算错误
量子计算机利用物质在最小尺度上的独特性质，如叠加和纠缠，以比经典计算机少得多的步骤解决某些类型的复杂问题。该技术依赖于量子比特，它们可以利用量子干涉在大量可能性中筛选出答案。
量子比特的自然量子态非常脆弱，可能会被各种因素破坏：硬件中的微观缺陷、热量、振动、电磁干扰，甚至无处不在的宇宙射线。
量子纠错通过使用冗余提供了一种解决方案：将多个量子比特分组到一个逻辑量子比特中，并定期对其进行一致性检查。解码器通过使用这些一致性检查来识别逻辑量子比特中的错误，从而保留量子信息，以便进行纠正。
打造神经网络解码器的竞争者
AlphaQubit是一个基于神经网络的解码器，它利用了Transformer架构，这是一种在某机构开发的、支撑当今许多大型语言模型的深度学习架构。其任务是以一致性检查作为输入，正确预测逻辑量子比特在实验结束时是否已从初始状态翻转。
我们首先训练模型，以解码来自Sycamore量子处理器（量子计算机的核心计算单元）内一组49个量子比特的数据。为了让AlphaQubit学习通用的解码问题，我们使用量子模拟器生成了数亿个涵盖各种设置和错误级别的样本。然后，通过向其提供来自特定Sycamore处理器的数千个实验样本，我们针对特定的解码任务对AlphaQubit进行了微调。
在针对新的Sycamore数据进行测试时，与先前领先的解码器相比，AlphaQubit树立了新的准确性标准。在最大规模的Sycamore实验中，AlphaQubit的错误比张量网络方法少6%，后者虽然高度准确，但速度慢得不切实际。AlphaQubit的错误也比相关匹配算法少30%，后者是一种准确且速度足以扩展的解码器。
为未来系统扩展AlphaQubit
我们预计量子计算机将超越当前可用的水平。为了解AlphaQubit如何适应更大规模且错误率更低的设备，我们使用来自多达241个量子比特的模拟量子系统的数据进行训练，因为这超出了Sycamore平台当前可提供的规模。
AlphaQubit再次超越了领先的算法解码器，表明它未来也能应用于中型量子设备。
我们的系统还展示了高级特性，例如能够接收并报告输入和输出的置信水平。这些信息丰富的接口有助于进一步提升量子处理器的性能。
当我们使用包含多达25轮纠错的样本训练AlphaQubit时，它在多达10万轮纠错的模拟实验中也保持了良好性能，显示了其泛化能力可以超越训练数据的场景。
迈向实用的量子计算
AlphaQubit代表了使用机器学习进行量子纠错的一个重要里程碑。但我们仍然面临着速度和可扩展性方面的重大挑战。
例如，在一个快速超导量子处理器中，每次一致性检查每秒钟要被测量一百万次。虽然AlphaQubit在准确识别错误方面表现出色，但用它来实时纠正超导处理器中的错误仍然太慢。随着量子计算朝着商业相关应用可能需要的数百万量子比特方向发展，我们还需要找到更高效的数据方式来训练基于AI的解码器。
各团队正在结合机器学习和量子纠错领域的开创性进展来克服这些挑战——为能够解决世界上一些最复杂问题的可靠量子计算机铺平道路。FINISHED
