量子計算機(jī)有可能徹底改變藥物發(fā)現(xiàn)、材料設(shè)計和基礎(chǔ)物理學(xué)——前提是，能讓它可靠地工作。

某些問題需要傳統(tǒng)計算機(jī)花費(fèi)數(shù)十億年才能解決，而量子計算機(jī)只需幾個小時即可解決。然而，這些新處理器比傳統(tǒng)處理器更容易受到噪聲的影響。如果我們想讓量子計算機(jī)更可靠，尤其是在大規(guī)模情況下，則需要準(zhǔn)確識別和糾正這些錯誤。

在發(fā)表在《自然》雜志上的一篇論文中，Google DeepMind和量子AI團(tuán)隊介紹了AlphaQubit，這是一種基于人工智能的解碼器，能以最先進(jìn)的精度識別量子計算錯誤。這項合作工作匯集了Google DeepMind機(jī)器學(xué)習(xí)知識和Google Quantum AI糾錯專業(yè)知識，以加速構(gòu)建可靠量子計算機(jī)的進(jìn)程。

準(zhǔn)確識別錯誤是使量子計算機(jī)大規(guī)模執(zhí)行長時間計算的關(guān)鍵一步，以為科學(xué)突破和許多新發(fā)現(xiàn)領(lǐng)域打開大門。

量子計算機(jī)基于最小尺度上物質(zhì)的獨(dú)特性質(zhì)，例如疊加和糾纏，以比傳統(tǒng)計算機(jī)少得多的步驟解決某些類型的復(fù)雜問題。該技術(shù)依賴于量子比特，量子比特可以利用量子干涉篩選大量可能性以找到答案。

量子比特的自然量子態(tài)是脆弱的，可能被各種因素破壞：硬件中的微觀缺陷、熱量、振動、電磁干擾甚至宇宙射線（無處不在）。

量子糾錯通過使用冗余提供了一種解決方法：將多個量子比特分組為單個邏輯量子比特，并定期對其進(jìn)行一致性檢查。解碼器通過使用這些一致性檢查來識別邏輯量子比特中的錯誤，從而保留量子信息，以便對其進(jìn)行糾正。

AlphaQubit是一個基于神經(jīng)網(wǎng)絡(luò)的解碼器，它借鑒了Transformers——谷歌開發(fā)的深度學(xué)習(xí)架構(gòu)，是當(dāng)今許多大型語言模型的基礎(chǔ)。使用一致性檢查作為輸入，它的任務(wù)是正確預(yù)測邏輯量子位（在實驗結(jié)束時測量時）是否與準(zhǔn)備時的狀態(tài)發(fā)生了變化。

Google DeepMind和量子AI團(tuán)隊首先訓(xùn)練模型解碼Sycamore量子處理器（量子計算機(jī)的中央計算單元）內(nèi)一組49個量子比特的數(shù)據(jù)。為了教會AlphaQubit一般解碼問題，團(tuán)隊使用量子模擬器在各種設(shè)置和錯誤級別中生成數(shù)億個示例。然后，通過為AlphaQubit提供來自特定Sycamore處理器的數(shù)千個實驗樣本，針對特定解碼任務(wù)對其進(jìn)行微調(diào)。

在新Sycamore數(shù)據(jù)上進(jìn)行測試時，與之前領(lǐng)先的解碼器相比，AlphaQubit樹立了新的準(zhǔn)確度標(biāo)準(zhǔn)。在最大規(guī)模Sycamore實驗中，AlphaQubit的錯誤率比張量網(wǎng)絡(luò)方法低6%，后者準(zhǔn)確度很高，但速度慢得不切實際。AlphaQubit的錯誤率也比Correlated matching低30%，后者是一種準(zhǔn)確度高且速度足夠快的解碼器。