?一、量子計算

薛定諤的愛情與狄拉克的996 一文中筆者帶大家領略了量子力學的魅力，并簡單探討了量子計算（QC: Quantum Computing）。

QC處于技術創新的最前沿，業界期待其解決傳統計算平臺無法有效解決的復雜問題，特別是突破當下AI大模型遇到的算力瓶頸。

另一方面，新的大模型機理具備更高維度的新穎性，可以通過揭示隱藏的聯系建立更廣泛有用的創新框架，成為科學和哲學探索的有力工具，包括QC。

二、AI賦能QC

牛津大學、NVIDIA、多倫多大學等共同撰寫了研究綜述探討AI和QC的創新交叉點，AI 如何改變整個QC軟硬件生態系統挑戰【文獻1】。

該綜述探討了從基本量子硬件設計到關鍵計算流程（預處理、調整、控制、優化、量子糾錯和后處理）的AI賦能點，即對QC生態做智能化。

各種AI技術的界定如下：AI主要是ML；ML提取復雜模式；深度學習構建神經網絡來近似復雜非線性函數；GenAI涌現生成能力。

QC開發

AI參與QC開發，模型訓練過程涉及：創建實驗或模擬數據集，記錄系統對控制的輸出，訓練 ML 模型，發現最佳控制設置。

量子電路

生成緊湊量子電路，提取算子，系數離散化形成算子池，token化后灌入Transformer預訓練，然后用于生成量子電路的“預測”。

量子處理器

量子處理器的開發根本上取決于精確的控制、調諧和優化技術。控制涉及微波脈沖等主動操縱量子態；調諧則調整器件參數獲得特定操作特性；優化最大限度提高關鍵性能指標，相干時間、操作速度和計算保真度。

目前強依賴專門的量子物理學家團隊手工經驗表征和調整量子器件，而神經網絡和貝葉斯優化方法可從有限的輸入數據中推斷出最佳解決方案。

量子糾錯

量子糾錯 （QEC） 是QC系統的關鍵挑戰。錯誤檢測和糾正的過程復雜，傳統的解碼算法可擴展性與時效性差。

AI 解碼器可動態分析錯誤模式，捕獲復雜的噪聲相關性，實現高效、可擴展和抗噪的量子糾錯。

AI還可以賦能QC的后處理，從量子測量中提取有意義的見解。相互協同的超級量子計算機平臺展望：

三、Nature：AlphaQubit

Google DeepMind 和 Quantum AI 團隊今天在《自然》雜志上發表了AlphaQubit，基于 AI 的解碼器，實現最先進量子計算糾錯【文獻2】。

在設計的旋轉表面代碼和內存實驗中，初始化邏輯Qubit，執行重復的穩定器測量，然后測量邏輯Qubit狀態，所有Qubit和運算都會出錯。

訓練AlphaQubit用來糾錯：

對穩定器做向量編碼，用包含注意力和卷積的 syndrome transformer 提取更新內部狀態信息；使用量子模擬器生成各種設置和錯誤級別的數億個示例做預訓練；使用數千個實驗樣本，針對特定的解碼任務進行微調。

AlphaQubit 達到了準確性的業界新標準：錯誤比張量網絡方法少 6%，錯誤率還比“相關匹配”方法少30%，精確，速度快，可擴展。

AlphaQubit 在準確識別錯誤方面非常出色，代表了AI賦能QC的一個重要里程碑，盡管實時糾正超導處理器中的錯誤仍然太慢。

就像業界在廣泛探索AI賦能千行百業一樣，QC正在經歷一場由AI驅動的革命性變革，AI在整個量子計算生態系統中展現出前所未有的潛力。

文獻1 Artificial Intelligence for Quantum Computing https://arxiv.org/html/2411.09131v1

文獻2  Learning high-accuracy error decoding for quantum processors https://www.nature.com/articles/s41586-024-08148-8

本文轉載自 ??清熙??，作者： 王慶法