Google 推出 AlphaQubit：用 Transformer 做量子纠错，错误率降 30%

造一台真正有用的量子计算机，最折磨人的问题不是怎么把量子比特做多，而是它们太娇气了。

一点点热量、轻微的振动，甚至宇宙射线穿过机箱，原本处于叠加态的量子比特就会当场翻车。为了不让算到一半的数据报废，科学家只能用多个物理比特抱团组成一个「逻辑比特」，再安排辅助比特一秒钟做上百万次校验。但谁来根据这些眼花缭乱的校验信号，精准抓出到底哪颗比特出错了？

Google DeepMind 联合 Google Quantum AI 拿出了新解法。他们在《自然》杂志上发表了一项名为 AlphaQubit 的研究，直接把做大语言模型的 Transformer 搬进了量子纠错领域。

拿 Transformer 当量子听诊器

量子纠错里的解码器，就像机房里的故障排查员。传统的排查方法主要有两类：一类叫张量网络，算得极准，但计算量大到根本不可能随着芯片规模扩展；另一类叫相关匹配，速度够快能扩展，但精度总是差点意思。

AlphaQubit 走的是神经网络路线。它吃进一系列辅助比特的校验结果，直接预测实验结束时逻辑比特有没有发生翻转。

训练这个模型并不轻松。团队先用量子模拟器生成了数亿个不同噪声环境下的样本，让 AlphaQubit 摸透通用的报错规律；接着再把 Sycamore 超导量子处理器上采集的几千次真实实验数据喂给它做微调。

在 Sycamore 处理器的 49 个物理比特实验中，AlphaQubit 展现了惊人的找茬能力。面对理论上很准但跑不快的张量网络算法，它的报错率降低了 6%；而面对工业界常用的相关匹配算法，AlphaQubit 的错误率直接砍掉了 30%。

更让人意外的是它的泛化能力。虽然训练时它只见过最多 25 轮的纠错流程，但在长达 10 万轮纠错的模拟测试中，它依然能稳稳抓出错误。在扩展到 241 个量子比特的模拟实验里，它的准确率也全面压制了传统算法。

算得准，但手速还没跟上

不过 AlphaQubit 距离拯救量子计算，还有一道极其致命的门槛：速度。

在 Google 的超导量子芯片上，一致性检查每秒钟要进行一百万次。这就意味着解码器必须在微秒级的时间里给出判断，并在下一轮干扰到来前把错误修正过来。

现在的 AlphaQubit 像个医术精湛但动作缓慢的老大夫。它能精准诊断出哪里生了病，但做一次神经网络推理花的时间，远远赶不上超导比特翻车起火的速度。此外，真正能拿去搞新药研发和材料设计的商用量子计算机，未来可能需要上百万个物理比特，现有的数据生成和训练方式迟早会遇到算力天花板。

为什么重要

我们认为，AlphaQubit 最聪明的地方在于打破了量子纠错领域十几年来的算法路径依赖。

以前业内总觉得超导量子的高频特性只配用轻量级图算法，但 AlphaQubit 证明了数据驱动的 AI 能够学到传统算法根本无法建模的复杂硬件噪声。量子芯片每个物理比特的物理缺陷和串扰都各不相同，人工写规则很难穷尽，而端到端的神经网络刚好最擅长从实测数据里抓取这些微小的物理偏差。

对普通研究者和开发者来说，现在显然还不是直接上手部署它的时候。因为超导系统的实时控制需要定制的专用硬件，现阶段 AlphaQubit 更多停留在离线验证和算法探索阶段。它的核心价值目前体现在给量子硬件设计者提供一把超高精度的测量标尺，帮他们看清物理纠错的理论极限到底在哪里。

看起来，DeepMind 正在把他们在生物医药、材料学上的成功模版复制到量子体系本身。量子计算如果想走出实验室、真正具备商业价值，必须先翻过容错这道大山。AlphaQubit 至少指明了一条路：用古典计算机上的 AI，去给未来的量子计算机铺路。