來自Google量子人工智慧和DeepMind的研究人員開發了AlphaQubit，這是一種機器學習解碼器，在識別和糾正量子計算錯誤方面超越了現有方法。《自然》雜誌概述了這一進展，公司部落格文章詳細介紹了這一進展，它有助於使量子電腦足夠可靠，以解決目前傳統系統無法解決的複雜問題。

AlphaQubit 是一個神經網絡，它可以處理來自量子處理器的錯誤訊息，從而提高量子錯誤校正的準確性。 在GoogleSycamore量子處理器上進行的測試表明，與張量網路方法相比，AlphaQubit減少了6%的錯誤，與廣泛使用的解碼器–相關匹配相比，減少了30%的錯誤。

「這項合作匯集了GoogleDeepMind的機器學習知識和Google量子人工智慧（Google Quantum AI）的糾錯專長，加快了建立可靠量子電腦的進度，」研究人員在Google的一篇部落格文章中表示。 “準確識別錯誤是量子電腦能夠大規模執行長時間計算的關鍵一步，這將為科學突破和許多新的發現領域打開大門。”

文章稱，利用疊加和糾纏等原理的量子電腦可望以指數級的速度解決特定問題，其速度超過經典機器。 然而，量子位元–量子電腦的構件–極易受到雜訊的影響，導致錯誤頻傳。 克服這一弱點對於擴大量子設備的實際應用至關重要。

團隊在貼文中寫道「量子位元的自然量子態很脆弱，會受到各種因素的破壞：硬體中的微小缺陷、熱、振動、電磁幹擾甚至宇宙射線（宇宙射線無所不在）」。

為了應對這種情況，量子糾錯使用了冗餘技術：將多個實體量子位元組合成一個邏輯量子位元，並進行一致性檢查以檢測和修正錯誤。

挑戰在於如何有效率、準確地解碼這些校驗，尤其是當量子處理器的規模不斷擴大時。 目前的硬體每次操作的錯誤率通常在1%-10%，對於可靠的計算來說太高了。 未來的系統將要求誤差率低於0.000000001%，以滿足藥物發現、材料設計和密碼任務等實際應用的需要。

AlphaQubit 的工作原理

AlphaQubit 建立在Transformer 架構之上–Transformer 指的是一種神經網路架構，旨在透過集中分析資料中最重要的部分等方式，高效處理順序資料。 這有助於AlphaQubit 準確解碼量子錯誤。

顧名思義，神經網路就是模仿人腦的神經元–一般來說。 就像人們在掌握一項新技能之前需要學習並不斷磨練這項技能一樣，神經網路也需要學習和練習。 AlphaQubit 採用兩個階段的訓練流程： 預先訓練和微調。

在預訓練階段，模型首先接觸量子模擬器產生的合成範例。 這使它能夠在各種噪音條件下學習一般的錯誤模式。 然後，系統進行微調。 在這裡，該模型將根據Google Sycamore 處理器的實際錯誤資料進行進一步訓練，以適應硬體的特定雜訊特性。

解碼器能適應複雜的錯誤類型，包括”串擾”（不需要的量子位元相互作用）和”洩漏”（量子位元漂移到非計算狀態）。 它也利用軟讀出–提供有關量子位元狀態更豐富資訊的機率測量。

在使用Sycamore 的表面程式碼（量子糾錯的主要方法）進行的實驗中，AlphaQubit 在從17 量子位元（距離3）到49 量子位元（距離5）的多種配置中都保持了優勢。 距離是指破壞邏輯量子位元編碼資訊所需的三個錯誤（距離3）或五個錯誤（距離5）。

模擬將這一性能擴展到多達241 個量子位元的系統，顯示解碼器在更大的量子設備上具有潛力。

影響與挑戰

研究小組認為，他們在AlphaQubit 效能方面取得的成功代表著機器學習與量子運算的融合向前邁出了重要一步。 透過自動解碼過程，該模型減少了對手工製作演算法的依賴，而手工製作的演算法往往難以應對現實世界中複雜的噪音。

研究人員在研究報告中寫道：「儘管我們預計其他解碼技術將繼續改進，但這項工作支持了我們的信念，即機器學習解碼器可能實現必要的錯誤抑制和速度，從而實現實用的量子計算。

然而，該系統並非沒有限制。 AlphaQubit 目前的實作方式在高速超導量子處理器上進行即時糾錯時，最初可能會偏慢，因為這些處理器每秒要執行一百萬次一致性檢查。 此外，為更大的系統訓練模型需要大量的運算資源，這凸顯了對資料效率更高的方法的需求。

他們寫道”AlphaQubit是利用機器學習進行量子糾錯的一個重要里程碑。但我們仍然面臨著速度和可擴展性方面的重大挑戰。”

更廣泛的影響和未來方向

如上所述，量子糾錯是實現容錯量子計算的關鍵，因此掌握糾錯技術成為應對科學和工業領域一些最緊迫挑戰的先決條件。 隨著AlphaQubit 的成熟，它可以減少形成邏輯量子位元所需的實體量子位元數量，使量子電腦更加緊湊、更具成本效益。

該模型的架構還具有多功能性，其潛在應用範圍超出了表面程式碼。 研究人員計劃探索它對其他量子糾錯框架的適應性，如顏色碼和低密度奇偶校驗碼。

進一步的改進很可能涉及將AlphaQubit 與硬體進步相結合，包括專為機器學習任務設計的客製化處理器。 權重剪枝和低精度推理等技術也能提高模型的效率。

雖然挑戰依然存在，還有更多的工作要做，但研究人員認為，AlphaQubit 是讓機器學習在追求可靠的量子運算中發揮作用的一種方法。 未來的願景將是量子硬體和人工智慧模型同步發展–能夠解決現實世界問題的容錯量子電腦的夢想離現實越來越近。

“AlphaQubit代表了利用機器學習進行量子糾錯的一個重要里程碑。但我們仍然面臨著速度和可擴展性方面的重大挑戰，”該團隊在帖子中寫道。 “我們的團隊正在將機器學習和量子糾錯方面的開創性進展結合起來，以克服這些挑戰–並為可靠的量子計算機鋪平道路，使其能夠解決世界上一些最複雜的問題。”