Google 推出 AlphaQubit：用 Transformer 做量子糾錯，錯誤率降 30%

造一臺真正有用的量子計算機，最折磨人的問題不是怎麼把量子位元做多，而是它們太嬌氣了。

一點點熱量、輕微的振動，甚至宇宙射線穿過機箱，原本處於疊加態的量子位元就會當場翻車。為了不讓算到一半的資料包廢，科學家只能用多個物理位元抱團組成一個「邏輯位元」，再安排輔助位元一秒鐘做上百萬次校驗。但誰來根據這些眼花繚亂的校驗訊號，精準抓出到底哪顆比特出錯了？

Google DeepMind 聯合 Google Quantum AI 拿出了新解法。他們在《自然》雜誌上發表了一項名為 AlphaQubit 的研究，直接把做大語言模型的 Transformer 搬進了量子糾錯領域。

拿 Transformer 當量子聽診器

量子糾錯裡的解碼器，就像機房裡的故障排查員。傳統的排查方法主要有兩類：一類叫張量網路，算得極準，但計算量大到根本不可能隨著晶片規模擴充套件；另一類叫相關匹配，速度夠快能擴充套件，但精度總是差點意思。

AlphaQubit 走的是神經網路路線。它吃進一系列輔助位元的校驗結果，直接預測實驗結束時邏輯位元有沒有發生翻轉。

訓練這個模型並不輕鬆。團隊先用量子模擬器生成了數億個不同噪聲環境下的樣本，讓 AlphaQubit 摸透通用的報錯規律；接著再把 Sycamore 超導量子處理器上採集的幾千次真實實驗資料餵給它做微調。

在 Sycamore 處理器的 49 個物理位元實驗中，AlphaQubit 展現了驚人的找茬能力。面對理論上很準但跑不快的張量網路演算法，它的報錯率降低了 6%；而面對工業界常用的相關匹配演算法，AlphaQubit 的錯誤率直接砍掉了 30%。

更讓人意外的是它的泛化能力。雖然訓練時它只見過最多 25 輪的糾錯流程，但在長達 10 萬輪糾錯的模擬測試中，它依然能穩穩抓出錯誤。在擴充套件到 241 個量子位元的模擬實驗裡，它的準確率也全面壓制了傳統演算法。

算得準，但手速還沒跟上

不過 AlphaQubit 距離拯救量子計算，還有一道極其致命的門檻：速度。

在 Google 的超導量子晶片上，一致性檢查每秒鐘要進行一百萬次。這就意味著解碼器必須在微秒級的時間裡給出判斷，並在下一輪干擾到來前把錯誤修正過來。

現在的 AlphaQubit 像個醫術精湛但動作緩慢的老大夫。它能精準診斷出哪裡生了病，但做一次神經網路推理花的時間，遠遠趕不上超導位元翻車起火的速度。此外，真正能拿去搞新藥研發和材料設計的商用量子計算機，未來可能需要上百萬個物理位元，現有的資料生成和訓練方式遲早會遇到算力天花板。

為什麼重要

我們認為，AlphaQubit 最聰明的地方在於打破了量子糾錯領域十幾年來的演算法路徑依賴。

以前業內總覺得超導量子的高頻特性只配用輕量級圖演算法，但 AlphaQubit 證明了資料驅動的 AI 能夠學到傳統演算法根本無法建模的複雜硬體噪聲。量子晶片每個物理位元的物理缺陷和串擾都各不相同，人工寫規則很難窮盡，而端到端的神經網路剛好最擅長從實測資料裡抓取這些微小的物理偏差。

對普通研究者和開發者來說，現在顯然還不是直接上手部署它的時候。因為超導系統的即時控制需要定製的專用硬體，現階段 AlphaQubit 更多停留在離線驗證和演算法探索階段。它的核心價值目前體現在給量子硬體設計者提供一把超高精度的測量標尺，幫他們看清物理糾錯的理論極限到底在哪裡。

看起來，DeepMind 正在把他們在生物醫藥、材料學上的成功模版複製到量子體系本身。量子計算如果想走出實驗室、真正具備商業價值，必須先翻過容錯這道大山。AlphaQubit 至少指明瞭一條路：用古典計算機上的 AI，去給未來的量子計算機鋪路。