在量子计算领域，一个令人振奋的消息传来：诺贝尔生物学奖得主德米斯•哈萨比斯（Demis Hassabis）领导的团队在《自然》（Nature）杂志上发表了一项突破性的研究。他们开发了一种名为AlphaQubit的新型量子错误解码器，该解码器能够显著提高量子计算机的可靠性和性能。
量子计算具有巨大的潜力，但目前仍面临诸多挑战。其中之一就是量子比特（qubit）的脆弱性。由于量子比特对环境噪声和错误非常敏感，因此构建可靠的量子计算机一直是一个难题。为了解决这个问题，研究人员开发了各种错误纠正码（ECC），其中表面码（surface code）是目前最被看好的一种。
AlphaQubit是一种基于神经网络的量子错误解码器，它通过学习来解码表面码，从而提高量子计算机的可靠性。与传统的解码器不同，AlphaQubit结合了多种特定于问题的特征，并使用卷积和自注意力机制来传播和更新信息。
- 特征表示：AlphaQubit为每个稳定器（stabilizer）存储一个向量，该向量包含有关当前轮次之前的所有综合征历史的信息。
- 卷积和自注意力：通过卷积操作，AlphaQubit能够在相邻的稳定器表示之间传播信息，并在更长的距离上进行传播。自注意力机制允许稳定器状态向量根据其他稳定器的当前状态进行更新，从而实现全面的互连。
- 池化和读取网络：这些网络汇总来自相关稳定器表示的信息，以进行逻辑错误预测。
为了训练AlphaQubit，研究人员使用了大量的实验数据和合成数据。在预训练阶段，他们使用了一个通用的噪声模型（如电路去极化噪声）来生成尽可能多的样本。在微调阶段，他们使用有限的实验样本来优化模型，以适应实际的量子设备。
通过这种两阶段的训练方法，AlphaQubit在当前的量子硬件上实现了最先进的解码性能。在实验中，当使用合成数据对设备噪声进行预训练，然后使用实验样本进行微调时，AlphaQubit在距离为3和5的表面码上表现出显著更好的错误抑制能力，超过了现有的相关匹配和张量网络解码器。
此外，为了应对未来更大的量子设备，研究人员还展示了AlphaQubit在距离为3到11的代码上的性能。他们使用了一个Pauli+量子模拟器来模拟交叉talk、泄漏和模拟读取（I/Q信号），并再次使用电路级去极化噪声模型进行预训练，然后使用来自Pauli+模拟器的样本进行微调。结果显示，AlphaQubit在所有代码距离上都表现出更好的准确性。
AlphaQubit的成功为量子计算的实际应用带来了希望。通过提高量子计算机的可靠性和性能，AlphaQubit有望加速量子计算在各个领域的应用，包括密码学、材料科学和药物发现等。
然而，AlphaQubit也面临一些挑战。例如，实际的实验数据有限，这限制了模型的训练和优化。此外，AlphaQubit的计算复杂性较高，这可能影响其在实际应用中的可扩展性。
Nature 地址：https://www.nature.com/articles/s41586-024-08148-8
