谷歌量子人工智能已经在硬件中展示了量子计算最顽固的资源问题之一的解决方案。在 10 月 15 日发表在《科学》杂志上的一篇论文中，谷歌 Willow 处理器背后的团队报告说，“魔法状态培养”——一种两年前首次在理论上提出的技术——在实践中发挥了作用，与未培养的状态相比，错误减少了大约 40 倍，并产生了逻辑保真度高达 99.99% 的创纪录的 T 状态。
研究科学家艾玛·罗森菲尔德（Emma Rosenfeld）和量子软件工程师克雷格·吉德尼（Craig Gidney）在谷歌官方博客上宣布了这一结果，这标志着首次实验证明可以在真实的量子硬件上有效地产生魔态。它解决了自二十多年前研究人员首次发现以来工程师们一直在努力解决的一个瓶颈。有关计算前沿突破的更多信息，请参阅我们的 AI 研究报道。
为什么魔法状态很重要
通用量子计算——能够运行真正有用的程序——需要一组特定的量子运算，这些运算超出了纠错量子位本身可以执行的范围。标准的解决方法是准备特殊的资源状态（称为魔术状态）来启用这些操作。问题在于成本：一些估计表明，量子计算机整个容量的 95% 可能需要专门用于制造它们，为实际计算留下的空间很小。魔法状态也是消耗品——一旦使用，就不能重复使用——这使得它们成为任何大型机器稀缺且昂贵的输入。
2024 年，谷歌量子人工智能研究人员 Craig Gidney、Noah Shutty 和 Cody Jones 在一篇理论论文中开发了这种培养方法。这个想法就像一个过滤器：将噪声状态注入量子芯片的一个小区域，然后进行一系列高度协调的测量检查错误并丢弃有缺陷的尝试。在这个过程中幸存下来的是一种异常纯净、低误差的量子态，它可以同时适应更大的、有用的编码。如果它在硬件上运行，它将大大缩小实际任务所需的量子计算机的尺寸。
从理论到硬件
让该协议在 Willow 上运行需要一系列的工程创新。一集就说明了其中的困难。当研究科学家艾玛·罗森菲尔德第一次测试培养方案时，她的数据似乎违反了物理定律。经过几个月的模拟、讨论和一致性检查，该团队将异常现象追溯到他们的首选测量技术中的错误假设：实验室中的电气设备漂移和温度变化干扰了基准的有效性。
该修复需要在理论和工程方面进行更改。该团队为系统添加了额外的控制以抑制噪声，并发明了一种新的基准测试技术，该技术使用培养本身作为测量工具——该公司表示，该解决方案在量子计量学领域建立了新的最先进技术。在 Willow 上，相对于未培养状态，改进后的协议将错误减少了大约 40 倍，T 状态达到了 99.99% 的逻辑保真度。
与 Google 纠错路线图的兼容性
该团队还迈出了第一步，展示该技术适合谷歌更广泛的容错架构。量子纠错有多种形式：“颜色代码”，一种适合培养的新型类型，以及“表面代码”，这是支撑谷歌长期路线图的更成熟的方法。研究人员展示了一种嫁接协议——最初是在 2024 年的理论论文中开发的——可以在两者之间切换，将纯化状态从距离 3 的颜色代码转移到距离 5 的表面代码。这些州在转移中幸存下来，这证明种植可以与谷歌计划扩展的纠错计划共存。
尚未解决的问题
谷歌对这些警告非常谨慎。魔态修炼已小规模展示；以实际量子计算所需的规模展示它仍然是未来的工作，目前的结果和商业上有用的机器之间存在重大的技术挑战。该公司将这一结果定义为将“一个关键的理论想法转化为实验证明的现实”，以实现其既定目标——一台有用的、纠错的量子计算机。
实际意义在于资源预算。如果可以廉价地培养高质量的魔法状态，而不是通过主要开销来制造，那么运行肖尔因子分解例程或复杂的量子化学模拟等算法的硬件要求就会相应减少。在机器执行的每一次此类操作中，魔法状态阶段的错误减少了 40 倍。
大局观
这一结果是在量子硬件竞争加剧之际得出的，IBM、Quantinuum 和学术团体都在追求纠错机器，而更广泛的科技行业的人工智能建设吸引了大部分头条新闻和资本。量子进展速度较慢且难以预测，但像这样的里程碑——在生产硬件上消除了长达二十年的理论瓶颈，并在同行评审期刊上以可重现的保真度数字发表——是一种悄悄重置时间线的复合步骤。
对于人工智能观察者来说，还有一个切线相关性：现代量子实验室中的许多算法和控制系统工具越来越依赖机器学习来进行校准和错误解码，这是人工智能加速邻近科学领域的一个小但不断增长的例子。
---
保持人工智能领先地位获取最新的人工智能新闻、分析和突破——尽在一个地方。
阅读更多人工智能新闻 →
