Google 教会了它的量子芯片在计算过程中自行调校

量子计算机总是在不断失调。不是一年一次，而是持续不断地发生，就在它工作的过程中。到目前为止，应对方法始终只有一个：停止计算，手动重新校准，再重新启动。Google Quantum AI 于 7 月 8 日在 Nature 发表了一种能够消除这一暂停的方法：机器在运行过程中自行调校，并从自身的错误中学习。公布的结果是：错误减少约 20%，稳定性提高 3.5 倍。

这类消息往往不会引起轰动，因为它没有打破任何速度纪录。它只是解决了一个管道问题，而这个问题一直阻碍着这些机器连续运行超过几个小时。

问题：一台会自行失调的机器

量子芯片操控的是量子比特（量子比特相当于经典比特，只不过它不必只能取 0 或 1，而是在被读取之前可以同时承载两者的混合状态）。为了控制它们，需要向其发送电信号，并对频率、振幅和相位进行极其精细的调节。需要调节的参数有数千个，确实如此。

问题在于，这些调节并不会一直保持准确。温度稍微变化一点，某个组件老化一下，昨天的完美数值就会变成今天的平庸数值。这就是所谓的漂移（参数会在没有预警的情况下，缓慢偏离其最佳点）。想象一下，一架拥有一千根琴弦的钢琴会在你演奏时自行走音，而调音师每两个小时就必须打断你一次。大概就是这种感觉。

诀窍：回收一个原本就存在的信号

这篇论文的巧妙之处在于，它没有增加任何传感器，而是重新利用了机器本来就会产生、却只部分使用的数据。

为了抵御自身的错误，量子计算机会持续运行纠错码（把一条有用信息分散到几十个物理量子比特上，从而能够在不读取信息本身的情况下发现并修复错误，因为读取本身会摧毁它）。这种代码会持续产生错误检测信号：一些只表示“这里发生了某些事情”、却不明确说明具体是什么的小信号。通常，它们只被用来修复当前正在进行的计算。

Google 给这些检测信号安排了第二项工作：为强化学习代理提供输入（这是一种不在固定数据集上学习的 AI，而是通过不断试探，保留那些能降低错误分数的做法，放弃其余做法）。代理读取错误流，转动控制按钮，观察情况是否好转，然后继续重复。它在 Willow 芯片上实时调整超过 1,000 个控制参数，而且从未暂停计算。

数据

在一个已经由人类专家校准过的系统上，该代理仍然将逻辑错误率（错误穿过纠错并真正破坏结果的频率）降低了 20%。这是最有说明力的数据：这不是从一台调校不佳的机器上减少 20%，而是在现有最佳手动校准的基础上再减少 20%。

随后，研究人员故意向硬件中注入漂移，观察谁能坚持得更久。在代理控制下，稳定性提高了 3.5 倍。在这些测试期间，使用表面码时，错误率降至每千个纠错周期少于一次错误；使用颜色码时，则降至每百个周期一次错误（这是两种相互竞争的纠错组织方式，前者更节省资源，后者在某些操作中更实用）。

最让我感兴趣的其实是另一点，在模拟实验中：他们将需要控制的参数增加到约 40,000 个，而代理学习所需的迭代次数并不会随系统规模增长。换句话说，机器变大后它不会崩溃。对于一项押注于从 100 个量子比特扩展到几十万个量子比特的技术来说，这正是我们希望看到的特性。

补充一个有用的背景：Willow 是 Google 于 2024 年 12 月推出的 105 量子比特芯片，它曾展示出这样一个结果：增加量子比特后，错误率会下降，而不是失控飙升。这一次，硬件没有改变，改变的是操控硬件的方式。

这项成果真正的价值

我们需要对两点保持清醒。首先，稳定性测试中的漂移是研究人员人为引入的，这对于进行清晰、准确的测量很方便，但仍然属于实验室场景。其次，作者自己也写道，要进一步推进，还需要让代理与处理器之间实现更紧密的集成，并采用更好的学习方法。翻译一下：这是一场精彩的演示，但还不是成品。

就我个人而言，这件事最吸引我的地方，是这个方案的节俭。不需要新硬件，不需要额外的传感器，也不需要付钱购买更多量子比特。只不过是把我们一直放在眼前、却只利用了一半的数据流，接入一个比人类更好、更频繁地调节参数的 AI。如果你想深入了解，Google 的文章在这里，论文的免费版本在 arXiv，而 The Quantum Insider 对此做了比我更详细的总结。