谷歌利用量子纠错数据实现处理器实时校准

在通往实用量子计算的道路上，存在一些显而易见的宏观挑战，例如能否制造出足够多、质量足够高的物理量子比特，以构建所需的纠错逻辑量子比特，以及如何生成在这些逻辑量子比特上执行通用计算所需的量子态。然而，除此之外，还有许多不那么显眼的难题同样需要在实现真正计算之前得到解决。

其中一个挑战便是校准问题，它只影响部分类型的量子硬件。对于超导量子比特这类人工制造的器件而言，各个量子比特之间总会存在细微差异。（而对于利用原子作为量子比特载体的方案则不存在这一问题，但控制原子的激光器本身可能发生漂移。）因此，这类硬件需要经历一个称为"校准"的过程：通过测试控制微波脉冲的不同频率与幅度组合，找出能够产生最低错误率的参数设置，并将其保存以供后续计算使用。

然而，标准的校准流程无法在计算过程中同步执行，这意味着对于耗时长且复杂的算法而言，参数漂移会成为一个严峻问题。不过，谷歌已经找到了一种方法，可以利用量子纠错过程中所使用的相同数据来完成实时校准。

谷歌等多家公司所依赖的硬件是超导量子比特中的一类——Transmon。它由一个超导线圈连接谐振器构成，通过微波光子脉冲进行控制。这些脉冲由置于低温制冷系统外部的硬件生成，包括经典计算机及其控制的微波源。在校准阶段，这套设备用于测试不同波长与幅度的组合。

然而，这些外部设备本身也可能因随机因素而偏离初始设置，例如随着使用时间增加导致硬件升温。对于未来打算在量子计算机上运行的复杂算法（如破解现有加密体系的算法）而言，这将构成潜在风险。谷歌表示，目前一旦系统出现漂移迹象，只能中止计算、重新校准。但在执行复杂计算的中途，这种做法显然行不通。

这些计算将在纠错量子比特上进行——通过对部分物理量子比特进行测量，来检测和表征存储数据的量子比特上发生的错误。谷歌研究人员在论文中指出，他们检测到的部分错误本质上来源于校准失准："不完美校准产生的错误与所有其他错误一样，都会产生可检测的错误综合征。"理论上，同一套错误检测机制可以同时识别随机错误和由校准问题引起的错误。

难点在于如何区分两者。研究团队给出的解决方案是强化学习：让系统在约1000个可控参数的不同配置中进行尝试，并对各配置在降低错误方面的效果打分。研究团队写道："我们在计算过程中，有意对所有控制参数同时施加细微扰动，以探索控制空间。这些扰动会转化为错误检测事件统计特征的细微变化。"

利用这些信息，系统可以推断出如何调整参数以最小化特定错误。一旦这类错误出现，系统便能进行相应调整，且该过程可与管理逻辑量子比特的错误检测和纠正系统并行运行。

研究团队将该系统部署于一个经过标准校准的系统上，管理两个逻辑量子比特，分别采用不同的纠错编码方案（表面码和颜色码）。在将两个逻辑量子比特设定为特定状态后，分别在启用和不启用强化学习驱动校准的情况下运行纠错系统。结果显示，启用该系统后，逻辑量子比特的错误检测与纠正能力提升了20%。

这一方案的局限性在于：它仅在漂移幅度不大、系统状态与训练初态相近时有效。从某一状态恢复校准的调整策略，在系统状态发生显著偏移时可能不再奏效。

对此，解决办法是持续评估不同调整方案的有效性。但这带来一个显而易见的问题：不能在计算过程中随意对所有控制参数进行随机化。即便只进行有限幅度的扰动，系统也必然会在偏离最优纠错状态下运行。因此，关键问题在于：频繁处于次优纠错状态所带来的代价，是否能通过阻止漂移引发更大问题而得到弥补。研究人员写道："探索与利用之间权衡关系的有利解决，意味着所有采样策略候选方案的综合性能——其中大多数都不如最优方案——仍优于没有强化学习引导时的性能。"

通过使用极小型纠错量子比特进行大量仿真，结果表明，只要漂移速度足够慢，这一权衡是可行的。研究团队进一步证明，该方法可在大型纠错量子比特上实时运行，此时强化学习系统需控制约40000个参数。

当然，这一方案目前尚无实际应用场景——我们目前的系统运行时间仅够执行相对简短、简单的算法，漂移问题暂时不在考虑之列。但从长远来看，我们的目标是构建能够执行更复杂计算的硬件，而届时类似问题将真正凸显。能够提前证明一个已知的潜在挑战是可以被应对的，本身便具有重要价值。

Q&A

Q1：谷歌量子纠错实时校准方法是如何工作的？

A：谷歌的方法利用量子纠错过程中产生的错误检测数据，结合强化学习技术实现实时校准。系统在计算过程中对约1000个控制参数同时施加细微扰动，通过观察错误检测事件统计特征的变化，推断出如何调整参数以最小化错误，从而实现校准与纠错的同步进行，无需中断计算。

Q2：Transmon超导量子比特为什么需要频繁校准？

A：Transmon超导量子比特由超导线圈连接谐振器构成，各量子比特之间存在细微制造差异。控制这些量子比特的外部硬件（如微波源、经典计算机）会因使用时发热等随机因素发生漂移，导致控制参数偏离最优设置，进而提高计算错误率。因此需要定期校准，以找到产生最低错误率的频率与幅度组合。

Q3：谷歌实时校准方案的局限性是什么？

A：该方案的主要局限性在于，它只在系统状态与训练初态相近、漂移幅度较小时有效。如果系统状态发生显著偏移，原有的校准调整策略可能失效。此外，为持续评估参数有效性，系统需要频繁在次优纠错状态下运行，存在探索与利用之间的权衡问题。目前仅在漂移速度足够慢的条件下，该方法才能保证整体性能优于不使用强化学习的情况。

Ars Technica强化学习量子纠错谷歌