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

某些問題需要傳統(tǒng)計算機花費數(shù)十億年才能解決，而量子計算機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更可靠，尤其是在大規(guī)模情況下，則需要準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團隊介紹了AlphaQubit，這是一種基于人工智能的解碼器，能以最先進的精度識別量子計算錯誤。這項合作工作匯集了Google DeepMind機器學習知識和Google Quantum AI糾錯專業(yè)知識，以加速構建可靠量子計算機的進程。

準確識別錯誤是使量子計算機大規(guī)模執(zhí)行長時間計算的關鍵一步，以為科學突破和許多新發(fā)現(xiàn)領域打開大門。

量子計算機基于最小尺度上物質的獨特性質，例如疊加和糾纏，以比傳統(tǒng)計算機少得多的步驟解決某些類型的復雜問題。該技術依賴于量子比特，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，以便對其進行糾正。

AlphaQubit是一個基于神經網絡的解碼器，它借鑒了Transformers——谷歌開發(fā)的深度學習架構，是當今許多大型語言模型的基礎。使用一致性檢查作為輸入，它的任務是正確預測邏輯量子位（在實驗結束時測量時）是否與準備時的狀態(tài)發(fā)生了變化。

Google DeepMind和量子AI團隊首先訓練模型解碼Sycamore量子處理器（量子計算機的中央計算單元）內一組49個量子比特的數(shù)據(jù)。為了教會AlphaQubit一般解碼問題，團隊使用量子模擬器在各種設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，針對特定解碼任務對其進行微調。

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