谷歌量子硬件测试将魔态误差降低40倍

针对量子计算难题的硬件测试

Google Quantum AI研究人员在该公司的Willow超导处理器上演示了一种名为魔态培育的技术，并报告称，制备量子态的误差降低了40倍。这项发表于Science的成果被称为该方法首次成功通过硬件测试。

这项工作针对量子计算中的一个核心障碍：量子比特十分脆弱。与传统数字比特不同，量子比特可能受到周围环境和控制缺陷的干扰。这些误差使可靠计算极其困难，尤其是那些实用容错量子计算机所需的高级操作。

这项实验聚焦于“魔态”——进行高级计算所需的特殊制备量子态。生成高质量魔态是一项重大挑战，因为量子态中的哪怕微小误差，也可能破坏更大规模的计算。Google的成果并未消除容错量子计算面临的广泛挑战，但它展示了一条在真实硬件上改进这一关键资源的路径。

从蒸馏到培育

改进魔态的一种常见方法是魔态蒸馏。从广义上说，蒸馏会从量子资源中滤除缺陷。这种方法确实可行，但资源消耗很大：生成数量较少的有用量子态，可能需要大量硬件和处理能力。

魔态培育则是另一种方案。它不依赖同类的高资源消耗过滤，而是试图直接在受保护的量子比特内部清理噪声魔态。保护机制来自将量子信息编码到多个物理量子比特中，而不是把全部信息放在单个易受干扰的组件里。

在Willow实验中，团队有意从带有误差的状态开始。研究人员将一个噪声魔态编码到由少量物理量子比特组成的网格中。随后，他们使用辅助量子比特检查编码信息是否存在错误，同时不破坏脆弱的量子数据。

当检查发现缺陷时，该次尝试就会被丢弃，系统重新开始。当某次尝试通过全部检查后，经过改进的魔态便会被保留下来，以供进一步处理。这种后选择机制十分重要：该方法并不声称每次尝试都能成功。相反，它旨在识别出理想的受保护状态成功通过检查的情况。

40倍这一数字意味着什么

研究人员称，培育将误差降低了40倍。被接受的魔态保真度至少约为99.99%，保真度衡量的是制备状态与预期状态之间的接近程度。

这个数字也说明了为什么测量在该领域是一项挑战。如果剩余误差非常小，要证明它们确实很小，就需要进行细致验证。团队开发了一种名为反冲层析的技术，只需比传统方法更少的测量次数，就能检测剩余误差。

这种过滤具有选择性。最初的尝试中，只有约8%通过了全部检查。这种取舍正是魔态培育实际应用问题的一部分：一种技术可以大幅提高被接受状态的质量，但仍需要反复尝试。因此，相关比较不能只看幸存状态的误差率，还要考虑为实际计算生成足够数量状态的全部成本。

魔态为何重要

量子处理器执行某些操作时比执行另一些操作更自然。对于最复杂的量子计算形式，研究人员需要经过精心制备的资源，以便系统执行所需的高级操作。魔态就是这类资源之一。

因此，生成可靠魔态的成本，可能影响未来容错机器的规模和设计。如果一种方法能够以更少的总体资源生成质量更高的状态，其意义可能远超单次实验室演示。反过来，某个组件取得出色成果，并不意味着完整的容错计算机已经建成。最终，它还必须与可靠量子比特、错误检测、控制系统以及完整架构中的其他要素协同工作。

Willow的成果之所以引人注目，是因为它将一种此前尚未在真实硬件上成功测试的方法，置于超导处理器的实际缺陷环境中进行检验。因此，这项实验将这一理念从理论选项推进为可根据硬件限制进行评估的工程成果。

里程碑背后仍有实际问题待解

这项成果最好被视为一种前景可观工具的演示，而不是量子纠错已经解决的宣言。实验表明，带噪声的受保护状态可以经过筛选和改进，最终被接受的状态误差也能大幅降低。

其意义在于硬件性能与验证的结合。团队并非只是提出魔态培育应该可行；他们编码了一个噪声状态，使用辅助量子比特对其进行检查，丢弃失败尝试，并测量通过检查的状态质量。在报告的误差水平下，新的层析方法也是实现这些测量的重要组成部分。

对量子计算而言，进步往往来自这类组件级突破。即使仍有许多困难步骤，改进一种关键资源的制备方式，也可能改变大型系统的工程权衡。Google Quantum AI将误差降低40倍的结果表明，在研究人员迈向可靠量子计算的过程中，魔态培育值得与更成熟的方法一并加以考虑。

本文内容基于Phys.org的报道。阅读原文。