谷歌量子 AI 周四在《Science》上宣布,一种名为魔法态培养的技术在其 Willow 量子处理器上将错误率降低了约 40 倍,生成了保真度达 99.99% 的魔法态。这一突破解决了一个关键瓶颈:魔法态是运行实用量子程序所必需的一次性资源,一些估计认为,生成魔法态的成本可能高达量子计算机总算力的 95%。培养法提供了比 2004 年提出的标准蒸馏法更高效的替代方案,可能推动药物设计、材料科学和密码学领域的实际应用提前到来。
谷歌量子 AI 在 Willow 芯片上实现 99.99% 保真度的魔法态
实验最多使用了 Willow 的 105 个量子比特,并实现了约 8% 的成功率,这意味着平均每 10 次生成一个纯净魔法态的尝试中,会丢弃超过 9 次。谷歌量子 AI 表示,该协议“相较于未经培养的态,将错误率降低了惊人的 40 倍”,并产生了“逻辑保真度达到创纪录 99.99% 的 T 态”。
在此次实验之前,培养法仅在理论研究和计算机模拟中接受过测试。该技术最初由谷歌研究人员于 2024 年提出,作为现有方法的更高资源效率替代方案。
魔法态解决量子计算的资源瓶颈
量子计算机运行于量子比特之上——量子比特能够处于 0 和 1 的叠加态,从而实现对多个解的并行探索。然而,量子比特十分脆弱:热量或电噪声可能翻转量子比特并干扰计算。因此,量子纠错会将信息分散到多个量子比特中,以捕捉并修复错误。
量子纠错能够有效处理简单操作,但实用量子程序还需要一类无法以相同方式得到保护的更复杂操作。要执行这些操作,机器必须先制造魔法态。魔法态就像一次性燃料:每个魔法态一经使用便会被消耗。
生成纯净魔法态历来会消耗大量资源。据谷歌称,一些估计认为,其成本可能高达量子计算机全部算力的 95%,从而几乎没有空间留给实际计算任务。
培养法不同于传统蒸馏方案
物理学家 Sergei Bravyi 和 Alexei Kitaev 于 2004 年提出了标准解决方案——魔法态蒸馏法。该方法将许多含噪魔法态提纯为少量纯净魔法态。虽然这种方法有效,但需要庞大的量子比特“工厂”专门完成这一任务。
谷歌于 2024 年提出的魔法态培养法运作方式不同。该技术并非使用工厂,而是像筛选器一样运行:将一个粗糙的魔法态注入芯片的一小部分区域,进行一系列检查,丢弃所有检测出缺陷的尝试,并继续培育剩余的魔法态。2024 年的论文提出,进一步的蒸馏“在实践中可能永远不再需要”。
该技术降低了破解密码学所需量子比特数量的估计
培养法是研究人员 Gidney 于 2025 年估计 RSA-2048 加密可由不到 100 万个含噪量子比特破解的因素之一。与 2019 年估计的 2000 万个相比,这一数量减少了 20 倍。
3 月,谷歌量子 AI 与以太坊基金会研究员 Justin Drake 及斯坦福大学密码学家 Dan Boneh 共同署名的一篇白皮书估计,破解比特币椭圆曲线密码学所需的成本不到 500,000 个物理量子比特。该评估是在谷歌于 10 月开展 Quantum Echoes 实验之后作出的。该实验展示了真实硬件上的首次经验证量子加速。
然而,目前这一成果距离实际破解密码学仍相距甚远。论文指出,分解一个 RSA-2048 密钥需要错误率约为 100 亿分之一的魔法态,其错误率需要比谷歌此次实验成果低约 100 万倍。
谷歌计划开展更大规模的培养测试
谷歌表示,下一步是在更大规模上运行培养法。团队预计,如果将 Willow 的底层硬件噪声降低一半,魔法态错误率将降至约 100,000 分之二,因为培养过程中的错误率会按芯片噪声水平的立方比例下降。
常见问题
谷歌量子 AI 周四宣布了什么?
谷歌量子 AI 在《Science》上宣布,魔法态培养技术在其 Willow 量子处理器上将错误率降低了约 40 倍,生成了保真度达 99.99% 的魔法态。实验最多使用 Willow 的 105 个量子比特,成功率为 8%,平均每 10 次尝试中会丢弃超过 9 次。
魔法态培养法与传统蒸馏法有何不同?
魔法态培养法像筛选器一样运行:将粗糙的魔法态注入芯片的一小部分区域,进行检查,丢弃有缺陷的尝试,并培育剩余的魔法态。传统蒸馏法于 2004 年提出,需要专门的量子比特“工厂”,将许多含噪魔法态提纯为少量纯净魔法态。培养法由谷歌于 2024 年提出,是一种资源效率更高的替代方案。