施展魔法：Google 突破量子计算瓶颈

Google Quantum AI 已经证明突破了量子计算中的一个关键瓶颈：我们已经展示了“魔力态培育”在我们的 Willow 处理器上实际可行，与不使用该技术相比，误差降低了约 40 倍。这项研究成果于今日发表在 Science 上，是向量子计算规模化应用迈出的关键一步。

“魔力态”瓶颈

自 2004 年以来，早在量子计算成为一项实际的工程追求之前，研究人员就预见到了一个特别棘手的瓶颈。

为了实现“通用”量子计算并执行有用的程序，你需要能够运行（并进行 error-correct）一组特定的量子操作。你可以通过首先创建所谓的“魔力态”来实现这一点，之所以这样命名，是因为它们可以帮助你创建超越经典计算所需的操作。

但有一个问题：创建高质量、纠错的魔力态极其耗费资源。一些估计表明，量子计算机高达 95% 的全部容量可能需要专门用于制造它们——这给实际计算留下的空间很小。另一个挑战是，一旦你使用了魔力态，你就不能重复使用它，这使得魔力态成为一种稀缺资源。

因此，20 年来，研究人员一直在努力降低这种魔力态的成本，使其越来越低。

我们是如何实现这一突破的

2024 年，Google Quantum AI 研究员 Craig Gidney、Noah Shutty 和 Cody Jones 利用了文献中的一个想法，对其进行了改进，并开发出了我们现在称之为“魔力态培育”的技术。他们的方法承诺能实现特别大幅度的削减。这个想法是，培育就像一个过滤器。你会将一个噪声态注入量子芯片上的一个微小区域，然后运行一系列高度协调的测量来检查错误并移除任何有缺陷的尝试。Craig 及其团队展示了这将如何让你生长或“培育”出一种异常纯净、低误差的量子态，同时你可以将其适配到更大、有用的编码中。

在理论上，这看起来很棒。如果我们能让这个想法在我们的量子硬件上实际运行，它就可以大幅减少执行实际任务所需的量子计算机的尺寸。

在实践中——就像开发许多新技术一样——它需要一系列的技术创新和工程。

举一个例子，在最初测试培育方案时，Google Quantum AI 研究科学家 Emma Rosenfeld 看到的数据似乎违背了物理定律。经过数月的困惑、模拟、与同事的讨论以及一致性检查，她发现这源于团队常用的测量技术中的一个错误假设。具体而言，实验室内由电气设备漂移和温度变化引起的特定噪声干扰了基准测试的有效性。解决方案需要我们在理论和工程方法上进行转向。团队向系统增加了额外的控制以减少噪声的影响，并发明了一种新的基准测试技术，通过将培育作为测量自身的工具，从根本上解决了这个问题。

凭借这一创新以及更多算法创新和工程解决方案，我们在量子计量学领域确立了新的技术水平。在 Google Quantum AI 的 Willow 处理器上，我们的协议实现了相对于未培育状态 40 倍的惊人误差降低。我们获得了逻辑保真度达到创纪录的 99.99% 的 T-states。

这项工作现已发表在 Science 上，首次展示了量子计算最严重的资源瓶颈之一的切实解决方案。它在真实硬件上证明了我们可以高效地创建这些关键的魔力态。

我们的发现与未来

我们还迈出了第一步，证明了 Craig 等人的理论与我们的量子计算架构是兼容的。我们学习了如何成功地在“颜色码”（一种较新的量子纠错类型，非常适合培育）和“表面码”（另一种更成熟的方法）之间切换，将状态从距离为 3 的颜色码嫁接到距离为 5 的表面码。这一嫁接协议最初在 2024 年的理论论文中提出，它表明在实践中，纯化后的状态可以在我们的硬件内部存活并顺利转移。

当然，我们仍然需要在更大规模上演示魔力态培育，使其对实际的量子计算具有现实意义，而且仍有许多技术挑战。但这一成就将一个关键的理论构想转变为实验证明的现实。它让我们离 Google Quantum AI 的目标又近了一步：构建一台有用的、纠错的量子计算机，以解决原本无法解决的问题。