Towards a quantum computer that learns from its errors

朝着能够从错误中学习的量子计算机迈进

2026年7月22日

Volodymyr Sivak 和 Paul Klimov，Google 量子人工智能实验室研究员，Google 研究

通过将强化学习与量子纠错相结合，我们展示了量子计算机可以持续适应漂移并在长时间计算中保持稳定。

快速链接

• 论文

• 分享 复制链接 ×

想象一支交响乐团演奏一部复杂的杰作。如果小提琴每几小节就走调，乐团就必须不断停下来重新调音。幸运的是，乐团中不会出现这种情况，因为乐器始终能保持音准。然而，这正是当前运行量子计算机的现实。

由于量子计算机本质上是敏感漂移的模拟设备，保持可靠运行需要持续重新校准控制参数，即控制量子比特的模拟信号的频率、幅度和相位。目前，这需要完全终止整个量子计算过程。这种计算与校准之间的完全分离代表了未来发展的根本瓶颈，因为有用的量子算法必须连续运行数天甚至数月。

为了解决这个问题，在发表于《自然》的论文《量子纠错的强化学习控制》中，我们展示了一个强化学习（RL）框架，其中自主代理通过量子错误检测持续调整数千个控制参数，在计算过程中稳定量子系统，防止漂移。简而言之：我们找到了在音乐演奏时调整乐器的方法。

应对量子错误

在音乐厅里，走调的乐器会立即被听到。但量子世界没有这种奢侈。就像仅仅聆听就会毁掉表演一样，测量量子比特会使其量子叠加态坍缩。为了保护量子信息，我们采用量子纠错（QEC）技术，利用冗余性从多个物理量子比特中创建“逻辑量子比特”，并通过物理量子比特的专用奇偶校验将模拟噪声数字化为二进制错误检测事件。

不幸的是，这些比特只能告诉我们错误发生在量子电路的某个有限时空区域内，而无法确定其确切位置。这就像听到一个不和谐的音符却不知道是哪位乐手演奏的。为了定位可能的错误位置并计算必要的修正，我们依赖于QEC解码器，如基于真实数据训练的神经网络解码器AlphaQubit和算法解码器Tesseract。如果错误足够稀少，这些解码器可以通过分析错误检测数据成功恢复逻辑量子信息。然而，解码器未能回答一个关键问题：这些错误最初为什么会发生？

一些错误源于量子系统与其周围环境不可避免的相互作用，导致退相干现象。这一残酷的过程会破坏宏观量子叠加态，有效地将量子计算机转变为经典计算机。这一基本现象如此普遍，以至于它使我们熟悉的经典现实从自然的底层量子定律中浮现出来。虽然这些环境错误无法完全避免，但许多其他错误则是不精确控制校准和硬件漂移的表现——这些缺陷仍处于我们能够缓解的范围内。

超越传统物理模型

传统上，量子校准依赖于物理模型。其技术通过数十年的量子控制研究得以完善。然而，在各个技术领域，人工构建的模型不可避免地会遇到性能瓶颈。早期的计算机视觉在依赖严格的几何规则时停滞不前。传统机器人技术仍难以处理无法捕捉接触动力学和摩擦复杂现实的运动学方程。同样，预测蛋白质折叠这一持续数十年的挑战，直到深度学习系统如AlphaFold实现前所未有的精度之前，传统物理模型一直难以解决。在这些领域，当方法转向直接从数据中学习时，新的突破才得以实现。

最近，AlphaQubit超越了最强大算法的纠错解码器的精度。现在，量子控制也面临同样的瓶颈。随着制造和硬件的进步，量子处理器的错误逐渐被传统建模和校准难以处理的复杂现象主导。机器学习能否带来新的突破？

不仅纠正错误，更要从中学习！

Google Research在利用强化学习（RL）解决传统编程无法处理的复杂问题方面有着丰富的先驱经验。与依赖明确指令的算法不同，强化学习通过经验运作。自主代理会尝试不同的行为，并直接从结果错误中学习以优化策略。将强化学习应用于实现精确、连续的量子校准似乎几乎是必然的选择。由于量子纠错（QEC）已经产生了持续的检测事件流，我们只需赋予这些数据一个补充角色。除了解码并纠正错误外，我们还将检测事件用作主动学习信号。随着计算的进行，强化学习代理会监控这些数据，并学习动态调整控制参数，抵消漂移并防止新错误的发生。

根据图像宽度确定适当的宽度

对于移动图像，使用默认宽度

量子计算通过模拟控制信号实现。量子错误检测事件被解码器用于推断逻辑校正。在我们的控制框架中，这些事件也被重新利用为学习信号，教导强化学习代理持续调整数千个控制参数，并在计算过程中稳定量子系统。

我们的量子控制实验

我们在旗舰 Willow 超导处理器上验证了这种强化学习量子控制方法。通过故意注入控制参数的人工漂移，我们证明了强化学习调整使我们的纠错码逻辑稳定性提高了3.5倍，延长了处理器作为可靠“量子存储器”设备的时间。

QEC 延长了基于表面码（左）和颜色码（右）的量子存储器中逻辑信息的寿命。通过对控制器的强化学习微调，我们绕过了复杂物理模型和人类直觉的限制，从而提升了量子纠错的质量。

可扩展性如何？

机器学习和量子研究者提出的一个关键问题是，这种强化学习方法是否能扩展到未来的大规模量子计算机上。为了验证这一点，我们进行了包含数百个量子比特和数万个控制参数的数值模拟。

在模拟中，一个校准不当的系统初始物理错误率较高。智能体通过学习改进的控制参数，逐步降低这一错误率。由于量子纠错（QEC）的作用，逻辑错误率（LER）随着系统规模（即物理量子比特数量）呈指数级下降。关键的是，强化学习降低物理错误率的速度与系统规模无关，这使我们能够将这种方法扩展到更大的系统中。

模拟结果验证了我们的预期：所需的强化学习训练迭代次数（轮次）与系统规模无关，这归因于QEC检测事件对错误的局部敏感性。然而，要充分发挥强化学习框架的潜力，需要更紧密的集成。通过加快智能体与量子处理器之间的通信周期，并采用更先进的机器学习方法，我们希望实现显著的额外改进。

因此，我们的工作开启了一个新范式：一种能够从错误中学习且不停止计算的量子计算机。

致谢

感谢我们的合作者的贡献，包括构建和维护硬件、软件、低温设备和电子基础设施。这项工作由谷歌研究的谷歌量子人工智能团队完成，并与谷歌DeepMind团队合作。

• 标签：

• 机器智能

• 量子计算

其他相关文章

• 2026年7月15日 趋向于揭示扩散模型创造力的算法与理论 · 生成式AI · 机器智能

• 2026年7月9日 SensorFM：迈向可穿戴健康数据的通用智能与接口 生成式AI · 机器智能

• 2026年6月30日 TabFM：面向表格数据的零样本基础模型 数据管理 · 机器智能 · 产品

×

❮

❯