AlphaQubit 解决了量子计算的最大挑战之一

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——也就是说，如果我们能让它们可靠地工作的话。

传统计算机需要数十亿年才能解决的某些问题，量子计算机只需几个小时即可解决。然而，这些新型处理器比传统处理器更容易产生噪声。如果我们想让量子计算机更加可靠，特别是在规模上，我们需要准确地识别和纠正这些错误。

在一个今天发表在《自然》杂志上的论文，我们介绍了 AlphaQubit，这是一种基于人工智能的解码器，能够以最先进的精度识别量子计算错误。这项协作工作汇集了 Google DeepMind 的机器学习知识和 Google Quantum AI 的纠错专业知识，以加速构建可靠的量子计算机的进展。

准确识别错误是使量子计算机能够大规模执行长时间计算的关键一步，为科学突破和许多新领域的发现打开了大门。

量子计算机利用物质在最小尺度上的独特性质，例如叠加和纠缠，以比经典计算机少得多的步骤解决某些类型的复杂问题。

该技术依赖于量子位或量子位，它可以利用量子干涉筛选大量的可能性来找到答案。

量子位的自然量子态很脆弱，可能会受到各种因素的破坏：硬件的微观缺陷、热量、振动、电磁干扰，甚至宇宙射线（无处不在）。

量子纠错通过使用冗余提供了一种前进的方法：将多个量子位分组为单个逻辑量子位，并定期对其执行一致性检查。解码器通过使用这些一致性检查来识别逻辑量子位中的错误来保留量子信息，以便可以纠正它们。

创建用于解码的神经网络竞争者

AlphaQubit 是一种基于神经网络的解码器变形金刚是 Google 开发的一种深度学习架构，支撑着当今许多大型语言模型。使用一致性检查作为输入，其任务是正确预测逻辑量子位（在实验结束时测量时）是否已偏离其准备方式。

我们首先训练我们的模型来解码来自 49 个量子位的数据Sycamore量子处理器，量子计算机的中央计算单元。为了教授 AlphaQubit 一般解码问题，我们使用量子模拟器在各种设置和错误级别上生成数亿个示例。然后，我们通过为特定 Sycamore 处理器提供数千个实验样本，针对特定解码任务对 AlphaQubit 进行微调。

当对新的 Sycamore 数据进行测试时，与之前领先的解码器相比，AlphaQubit 设定了新的准确性标准。在最大的 Sycamore 实验中，AlphaQubit 的错误比张量网络方法少 6%，非常准确但速度慢得不切实际。AlphaQubit 的错误率也比相关匹配，一个准确的解码器，速度足够快，可以扩展。

为未来系统扩展 AlphaQubit

我们预计量子计算机将超越当今的水平。为了了解 AlphaQubit 如何适应具有较低错误级别的更大设备，我们使用来自最多 241 个量子位的模拟量子系统的数据对其进行训练，因为这超出了 Sycamore 平台上可用的数据。

AlphaQubit 的性能再次优于领先的算法解码器，这表明它未来也将适用于中型量子设备。

我们的系统还展示了高级功能，例如接受和报告输入和输出置信度的能力。这些信息丰富的接口可以帮助进一步提高量子处理器的性能。

当我们在包含多达 25 轮纠错的样本上训练 AlphaQubit 时，它在多达 100,000 轮的模拟实验中保持了良好的性能，显示了其泛化到训练数据之外的场景的能力。

迈向实用量子计算

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，快速超导量子处理器中的每次一致性检查每秒都会测量一百万次。虽然 AlphaQubit 非常擅长准确识别错误，但实时纠正超导处理器中的错误仍然太慢。随着量子计算发展到商业相关应用所需的潜在数百万量子位，我们还需要找到更有效的数据方法来训练基于人工智能的解码器。

我们的团队正在将机器学习和量子纠错方面的开创性进展相结合，以克服这些挑战，并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。

阅读我们在《自然》杂志上的论文。