Google 量子人工智慧已成功突破量子運算的關鍵瓶頸：我們已證明，「魔法態培養」技術在我們的 Willow 處理器上切實可行，與未使用該技術相比，誤差降低了約 40 倍。
這項突破性成果今日發表於《科學》雜誌，是量子計算邁向實際應用的關鍵一步。
「魔法狀態」瓶頸
早在 2004 年，也就是量子運算成為實際工程研究之前，研究人員就預見了一個特別棘手的瓶頸。
要實現“通用”量子計算並執行有用的程序，你需要能夠運行（並糾正錯誤）一組特定的量子操作。你可以先創造所謂的「魔態」來實現這一點，之所以這樣稱呼，是因為它們可以幫助你創造超越經典計算所需的操作。
但這裡有個問題：創造高品質、糾錯的「魔法態」極度消耗資源。一些估計表明，量子計算機高達 95% 的計算能力可能需要用於創建這些“魔法態”，幾乎沒有剩餘資源用於實際計算。另一個挑戰是，一旦使用過某個“魔法態”，就無法重複使用，這使得“魔法態”成為一種稀缺資源。
因此，20 年來，研究人員一直在努力降低魔法的代價，使其越來越低。
我們是如何取得這項突破的
2024 年，Google 量子人工智慧研究員克雷格·吉德尼（Craig Gidney）、諾亞·舒蒂（Noah Shutty）和科迪·瓊斯（Cody Jones）借鑒了文獻中的一個想法，並對其進行改進，開發出了我們現在稱之為「魔態培育」的技術。他們的方法有望實現極高的精度。其核心思想是，培育過程就像一個過濾器。
具體來說，就是將一個雜訊量子態注入到量子晶片上的一個小區域，然後進行一系列高度協調的測量，以檢查錯誤並剔除任何有缺陷的嘗試。克雷格和他的團隊展示瞭如何利用這種方法培育出一個極其純淨、誤差極低的量子態，並同時將其轉化為更大、更有用的編碼。
從理論上講，這看起來很棒。如果我們能讓這個想法在我們的量子硬體上真正實現，就能大幅縮小實際任務所需的量子電腦的體積。
實際上，與開發許多新技術一樣，它需要一系列的技術創新和工程。
舉個例子，Google 量子人工智慧研究科學家艾瑪·羅森菲爾德（Emma Rosenfeld）在首次測試培養方案時，發現一些數據似乎違反了物理定律。經過數月的困惑、模擬、與同事的討論以及一致性檢查，她最終發現問題源於團隊常用測量技術中的一個錯誤假設。
具體來說，實驗室中由電氣設備漂移和溫度變化引起的一種特定噪音幹擾了基準測試的有效性。解決方案需要我們轉變理論和工程方法。團隊為系統增加了額外的控制措施以降低這種噪音的影響，並發明了一種新的基準測試技術，透過利用培養過程本身作為測量工具，從根本上解決了這個問題。
憑藉這項技術以及眾多其他演算法創新和工程解決方案，我們在量子計量領域樹立了新的標竿。在 Google 量子人工智慧的 Willow 處理器上，我們的協議相比未經處理的量子態，誤差降低了驚人的 40 倍。此外，我們還獲得了邏輯保真度高達 99.99% 的 T 態，創下了新的紀錄。
這項研究現已發表在《科學》雜誌上，首次展示了解決量子計算中最嚴重的資源瓶頸之一的實用方案。它在真實的硬體上證明，我們可以有效率地創造這些關鍵的「魔法態」。
我們的發現與未來
我們也踏出了第一步，證明克雷格等人的理論與我們的量子運算架構相容。我們學會瞭如何在「顏色編碼」（一種新型量子糾錯方法，非常適合培養）和「表面編碼」（另一種更成熟的方法）之間成功切換，並將距離為 3 的顏色編碼狀態嫁接到距離為 5 的表面編碼狀態。這種嫁接協議最初在 2024 年的理論論文中提出，它表明，在實踐中，純化的狀態可以在我們的硬體內部保持穩定並順利傳輸。
當然，我們仍需在大範圍內驗證「魔態」的培養，才能使其真正應用於實用量子運算，而且仍有許多技術挑戰。但這項成就將一個關鍵的理論構想轉化為實驗驗證的現實。它使我們離 Google 量子人工智慧的目標更近了一步：建造一台實用且具有糾錯能力的量子計算機，以解決其他方法無法解決的問題。
現在就加入 ioioTIMES 臉書粉絲團 更多互動、更多好康攏抵加!!
我們有LINE TODAY頻道了，快來追踪我們吧!!--最新科技新聞 盡在你手
