谷歌的母公司将剥离一家名为“沙盒”的新量子公司

澎湃新闻见习记者 王蕙蓉

据Business Insider报道,量子科技团队Sandbox将从谷歌母公司Alphabet分拆出来,成为一家独立的量子技术公司。

Sandbox中文译作“沙箱”, 是一个计算机专业术语。在网络安全中,“沙箱”指在隔离环境中,用以测试不受信任的文件或应用程序等行为的工具。

Sandbox团队由谷歌联合创始人谢尔盖·布林(Sergey Brin)创立,四年多来由企业家杰克·希达里(Jack Hidary)领导至今。

杰克·希达里(Jack Hidary)

与位于圣巴巴拉市的谷歌量子计算团队不同,Sandbox作为Alphabet第二支神秘的量子计算团队,专注于开发量子计算软件和实验性量子项目。

据匿名人士透露,希达里现在计划将Sandbox分拆成一家独立的公司。

早在2021年11月,他就为一家SB Technology, Inc (SB技术公司)签署了一份加州监管文件,该公司将在加州开展业务,总部设于旧金山。最近几周,一个与该公司有关的网站sandboxquantum.com出现。但截至目前,该网站没有发布任何信息。

签署文件首页

据消息人士,将Sandbox从Alphabet中剥离出来可以给希达里更多的自由,让他能够更快地行动,并筹集除谷歌以外的资金。“希达里想做他自己的事。”消息人士说,“他的精神是绝不拖拉。”

多年来,Alphabet子公司谷歌一直在研究量子计算机,其技术与传统计算机截然不同。传统计算机的世界由1和0组成。而一个量子位,能够同时表示1和0,突破了物理学的边界。理论上,如果许多量子位一起工作,就能创造出运算速度呈指数级增长的计算机。2019年,谷歌声称其量子计算机已实现“量子霸权”,但引发较多争议,未获学界认可。

2020年初,《连线》(Wired)杂志曾首次报道Alphabet公司存在第二个量子团队,当时该团队没有透露名字。直至2021年,外媒才报道了更多关于Sandbox团队的内幕。

据消息人士,尽管该团队在X大楼工作,且成员皆是谷歌X创新实验室的前员工,但Sandbox并非实验室的一部分。该实验室致力于孵化“疯狂而又难以实现”的新技术,包括无人驾驶车、送货无人机等。

希达里曾在一次采访中表示,Sandbox专注于“处于量子物理和人工智能交叉路口的企业解决方案”。例如,使用量子技术来提高健康传感器的准确性。

目前Alphabet公司尚未透露是否会在该量子公司中拥有任何股份,也未透露希达里是否会继续参与谷歌的工作。

责任编辑:李跃群

校对:丁晓

谷歌量子计算回顾2021:完全错误纠正是卓有成效的

谷歌量子人工智能团队在2021年取得了丰硕的成果。尽管全球性挑战持续存在,但谷歌在构建完全纠错的量子计算机方面依旧取得了重大进展,并朝着下一个硬件里程碑——构建纠错量子比特原型机努力。

与此同时,谷歌将继续致力于实现量子计算机在各种应用中的潜力。这就是为什么谷歌在顶级期刊上发表研究成果,与学术界和工业界的研究人员合作,并扩大我们的团队以引进新的人才和专业知识。

硬件更新

量子人工智能团队决心在未来十年内构建一台纠错量子计算机,并同时利用其在此过程中学到的知识来提供有用的,甚至是变革性量子计算应用程序。这一长期承诺可概括为量子硬件的三个关键问题:

1.能否证明量子计算机在特定任务中的性能可以超越当今的经典超级计算机?谷歌在2019年展示了“量子优越性”。

2.可以建立一个纠错量子比特的原型吗?为充分发挥量子计算机的潜力,需要实现量子纠错,以克服计算过程中存在的噪声。作为朝这个方向迈出的关键一步,谷歌的目标是通过在多个物理量子位上冗余地编码量子信息来实现量子纠错的原语,证明这种冗余会导致使用单个物理量子位的改进。这是谷歌目前的目标。

3.可以构建一个在任意长时间内都没有错误的逻辑量子位吗?逻辑量子位在多个物理量子位之间对信息进行冗余编码,并且能够减少噪声对整体量子计算的影响。将几千个逻辑量子位放在一起将能够实现量子计算机在各种应用中的潜力。

谷歌构建纠错量子计算机之旅的交互式地图

构建纠错量子比特原型的进展

今天嘈杂的量子计算机与未来完全纠错的量子计算机之间的距离是巨大的。2021 年,谷歌在缩小这一差距方面取得了重要进展,他们构建了一个原型逻辑量子位,其误差小于其芯片上的物理量子位的误差。

这项工作需要对整个量子计算堆栈进行改进。谷歌制造了具有更好量子位的芯片,改进了用来封装这些芯片的方法,以更好地将芯片与控制电子设备连接起来,并开发了同时校准具有几十个量子位的大型芯片的技术。

这些改进最终产生了两个关键结果。首先,谷歌现在能够以高保真度重置他们的量子位,并能够在量子计算中重用量子位。其次,谷歌实现了中间电路测量,使其能够跟踪量子电路内的计算。在谷歌最近使用重复码对位和相位翻转错误进行指数抑制的演示中,高保真重置和中间电路测量被同时使用,随着重复码中量子位数量从5增长到21,对逻辑错误的抑制实现了最多100倍的指数级增长。

重复码是一种纠错工具,使谷歌能够在资源(更多量子比特)和性能(更低错误)之间进行权衡,这将是指导未来硬件研发的核心。2021年,谷歌展示了随着一维代码包含的量子位数量,错误将如何减少。

谷歌目前正在进行实验,以将这些结果扩展到二维表面码,从而更全面地纠正错误。

量子计算的应用

除了构建量子硬件,谷歌团队还在现实世界应用中寻找量子优势的明显边际。谷歌正在学术界和工业界的合作者一起探索量子计算机可以提供显著加速的领域,并有现实的期望,即纠错量子计算机可能需要比二次加速更好的加速才能实现有意义的改进。

2021年谷歌与学术和行业合作伙伴的合作是非常宝贵的。

·2021年12月,谷歌与加州理工学院的一项值得注意的合作表明,在某些条件下,量子机器可以通过比传统要求少得多的实验来了解物理系统。这种新颖的方法通过使用40个量子位和1300个量子操作进行实验验证,即使使用今天的嘈杂型量子处理器,也具有巨大的量子优势。这为量子机器学习和量子传感方面的更多创新铺平了道路,并具有潜在的近期用例。

·2021年6月,谷歌与哥伦比亚大学的研究人员合作,将最强大的化学模拟技术之一——量子蒙特卡罗与量子计算相结合。当在真正的量子计算机上运行这项技术的组件时,能够在不牺牲测量精度的情况下将先前计算的规模扩大一倍,即使在具有16个量子位的设备上存在噪声的情况下也是如此。并且,即使在当今的量子计算机上,这种方法对噪声的恢复能力也表明其具有可扩展性的潜力。

谷歌还研究如何使用量子计算机来模拟量子物理现象——最近,研究人员利用谷歌量子处理器成功制造了时间晶体。这对理论家来说是一个伟大的时刻,他们思考时间晶体的可能性已经近一个世纪。在其他工作中,谷歌与NASA艾姆斯研究中心的合作者共同完成了在台量子计算机上通过实验测量无序相关性,探索量子混沌动力学的出现;并通过与慕尼黑技术大学的合作者使用浅量子电路创建其本征态,实验测量了Toric码哈密顿量基态的纠缠熵。

谷歌感谢合作者为其在2021年的一些最有影响力的研究中做出的贡献,甚至启发了他们。谷歌量子人工智能团队继续专注于机器学习、化学和多体量子物理学,并将在2022年及以后继续与来自世界各地的科学家和研究人员合作,以发现和实现有意义的量子应用。

持续投资量子计算生态系统

2021年,在谷歌年度开发者大会“Google I/O”上,谷歌重申了其在十年内制造出有用的量子计算机所需的路线图和投资的承诺。谷歌承诺,在忙致力于圣巴巴拉发展的同时,还继续通过其开源软件支持量子社区研究人员的发展。谷歌的量子编程框架Cirq在社区的贡献下不断改进。 2021年谷歌还与生态系统中的合作伙伴合作发布了专业工具。其中几项如下:

·与QSimulate合作发布用于量子化学应用的新型费米子量子模拟器,利用量子化学问题中的对称性来提供有效的模拟。

·量子计算机模拟器工具包qsim的重大升级,允许通过谷歌云在GPU等高性能处理器上模拟嘈杂的量子电路,同时,qsim 与英伟达的cuQuantum SDK 集成,使qsim 用户能够在开发量子算法和应用程序时充分利用英伟达的 GPU。

·谷歌还发布了一个名为stim的开源工具,它在模拟纠错电路时提供了1万倍的加速。

展望2022年

通过团队合作、协作和一些创新科学,谷歌在对2021年取得的进展感到兴奋的同时,对2022年寄予厚望。2022年,谷歌将继续专注于推进其硬件里程碑、新量子算法的发现以及实现当今量子处理器上的量子应用。并且,为完成这一艰巨任务,谷歌正扩大其团队,建立其现有的合作者网络,并扩大圣巴巴拉校区。

C114通信网 余予

谷歌在“量子霸权”上的新举措!开源量子机器学习库降低量子计算门槛

智东西(公众号:zhidxcom)编 | 心缘

当量子计算碰到机器学习,会擦出什么新火花?

智东西3月10日消息,谷歌今天宣布推出量子机器学习库TensorFlow Quantum(TFQ)。

该工具可以构建量子数据集、原型混合量子模型和经典机器学习模型,支持量子电路模拟器以及训练判别和生成量子模型。

TFQ白皮书《TensorFlow Quantum:用于量子机器学习的软件框架》已在3月6日提交给预印本平台arXiv。论文作者有20多位,分别来自谷歌最神秘的部门Google X、滑铁卢大学量子计算研究所、NASA的Quantum AI Lab、大众汽车和Google Research。

白皮书中写道:“我们希望这个框架为量子计算和机器学习研究界提供必要的工具,以探索经典和人工量子系统的模型,并最终发现可能产生量子优势的新量子算法”,“将来,我们希望扩展支持的自定义仿真硬件的范围,以包括GPU和TPU集成。”

自去年谷歌首秀“量子霸权”后,陆续有科技公司公开踏入量子计算这一面向未来的超级计算战场,最新的公布还有微软云量子计算服务Azure Quantum、亚马逊云服务Amazon Braket和霍尼韦尔号称“全球功能最强的计算机”。

废话不多说,快来看看谷歌这次的新发布究竟有何亮点?

TFQ白皮书:https://arxiv.org/pdf/2003.02989

一、为什么需要量子机器学习工具?

物理学家理查德·费曼(Richard Feynman)曾说过:“自然不是古典的,该死的,因此,如果要模拟自然,最好将其变成量子力学的。”

由于自然现象遵循量子规则,因此Masoud Mohseni认为,如果机器学习模型要准确地反映世界,那么它们也必须是量子的。

机器学习(ML)虽然不能准确地模拟自然界中的系统,但可以学习系统模型并预测系统的行为。过去几年,经典机器学习模型为解决具有挑战性的科学问题带来新希望,包括癌症早筛、余震预防、天气预测、行星探索等。

随着量子计算发展的最新进展,新的量子机器学习模型的开发可能会对世界上最大的问题产​​生深远的影响,从而在医学、材料、传感和通信等领域取得突破。

量子机器模型可以处理量子数据,并在当今可用的量子计算机上执行处理任务。但迄今为止,人们缺乏研究工具来发现有用的量子机器模型。

因此,谷歌研究人员与滑铁卢大学、大众汽车等机构的研究人员合作,研发用于快速建立量子机器学习模型原型的开源库TensorFlow Quantum(TFQ)。

二、TFQ能做什么?

从事过人工智能相关研究的学者和从业者对谷歌TensorFlow都不陌生,它是全球最流行的机器学习开源框架,提供很多可重复使用的代码,使训练机器学习模型变得更简单快捷。

TFQ是TensorFlow中的一个开源库,它能让使用者不必被量子计算的种种细节所困扰,更快更方便地编写量子应用程序,让处理量子数据变得更加容易。

TFQ提供了可以将量子计算和机器学习研究界聚集在一起的必要工具,以控​​制和建模自然或人工量子系统。例如嘈杂中型量子(NISQ)处理器,具有约50-100量子位。

使用者可以在实际的量子计算机和经典计算机上模拟之间切换。也就是说,可以先在模拟中调试量子应用程序,然后再尝试在完整的量子设置上运行它。

负责TFQ项目的Masoud Mohseni希望,编码人员将使用TFQ来发现基本可重用的新算法。

在底层,TFQ将Cirq与TensorFlow集成在一起,并通过提供与现有TensorFlow API兼容的量子计算基元以及高性能量子电路仿真器,为判别式和生成式量子经典模型的设计和实现提供高级抽象。

Criq Github链接:https://github.com/quantumlib/Cirq

三、什么是量子机器学习模型?

量子模型具有以量子力学原点表示和概括数据的能力。

不过,要理解量子模型,还需引入两个概念:量子数据混合量子经典模型

1、量子数据

量子数据表现出叠加和纠缠,从而导致联合概率分布,这可能需要成倍数量的经典计算资源来表示或存储。

能在量子处理器、传感器、网络上生成/模拟的量子数据,包括化学物质和量子物质的模拟、量子控制、量子通信网络、量子计量学等等。

值得注意的是,NISQ处理器生成的量子数据是嘈杂的,通常在测量发生之前就被纠缠了。

而将量子机器学习应用于嘈杂的纠缠量子数据,就能最大程度地提取有用的经典信息。

受到这些技术的启发,TFQ库提供了用于开发模型的原语,该模型可解开并概括量子数据中的相关性,从而为改进现有量子算法或发现新的量子算法提供了机会。

2、混合量子经典模型

由于近期的量子处理器仍然很小且嘈杂,因此量子模型不能单独使用量子处理器,NISQ处理器需要与经典处理器协同工作才能生效。

TensorFlow已经支持跨CPU、GPU和TPU的异构计算,非常适合试验混合量子经典算法。

TFQ包含指定量子计算所需的基本结构,如量子位、门、电路和测量运算符等。然后用户指定的量子计算就可以在仿真中或在实际硬件上执行。

Cirq还包含大量机制,可帮助用户设计NISQ机器(例如编译器和调度程序)的高效算法,并使混合量子经典算法的实现能够在量子电路模拟器上运行,并最终在量子处理器上运行。

研究人员已将TFQ用于混合量子经典卷积神经网络、用于量子控制的机器学习、用于量子神经网络的分层学习、量子动力学学习、混合量子态的生成建模以及通过经典递归神经网络,并在TFQ白皮书中列有对这些量子应用的回顾,每个示例都可以在其研究资料库中通过Colab在浏览器中运行。

四、TFQ具体如何操作?

如图是TFQ的软件堆栈,共6层,显示了它与TensorFlow、Cirq、计算硬件的交互。

▲TFQ的软件堆栈

顶层为要处理的量子数据,经典数据由TensorFlow本地处理,TFQ增加了处理量子数据(由量子电路和量子算子组成)的能力。

第二层是TensorFlow中的Keras API。

第三层是量子层和微分器,当与经典TensorFlow层连接时,它们可实现混合量子-经典自动区分。

第四层有TF Ops,用于实例化数据流图。定制Ops控制量子电路执行。

这些电路可以通过调用TFQ qsim或Cirq在仿真模式下运行,或者最终将在TPU、GPU、CPU、QPU硬件上执行。

关于如何使用量子数据,可以考虑使用量子神经网络对量子态进行监督分类。

与经典机器学习一样,量子机器学习的关键挑战是对“噪声数据”进行分类。要构建和训练这样的模型,研究人员可以执行如下操作:

(1)准备量子数据集

TFQ支持研究人员在单个计算图中将量子数据集、量子模型和经典控制参数构造为张量。

量子数据作为张量加载,每个量子数据张量都指定为用Cirq编写的量子电路,该电路可实时生成量子数据。张量由TensorFlow在量子计算机上执行以生成量子数据集。

(2)评估量子神经网络模型

可使用Cirq对量子神经网络进行原型设计,然后将其嵌入TensorFlow计算图中。基于量子数据结构的知识,可从几大类中选择参数化的量子模型。

该模型的目标是执行量子处理,以提取隐藏在通常纠缠状态下的信息。换句话说,量子模型实质上是对输入的量子数据进行解纠缠,从而留下以经典相关性编码的隐藏信息,从而使其可用于本地测量和经典后处理。

(3)样本/平均值

量子态的测量从经典随机变量中以样本形式提取经典信息。来自该随机变量的值的分布,通常取决于量子态本身以及所测得的可观测值。

由于许多变分算法都取决于测量的平均值(也称为期望值),因此TFQ提供了对涉及步骤(1)和(2)的多个运行求平均值的方法。

(4)评估经典神经网络模型

提取经典信息后,其格式适用于进一步的经典后处理。

由于提取的信息可能仍会以测量的期望之间的经典相关性进行编码,因此经典深度神经网络可以应用于提取此类相关性。

(5)评估成本函数

根据经典后处理的结果,评估成本函数。例如如果标记了量子数据,则基于模型执行分类任务的精确度;或者如果任务不受监督,则基于其他标准。

(6)评估梯度和更新参数

评估成本函数后,应沿预期可降低成本的方向更新自由参数,通常通过梯度下降执行。

▲TFQ中混合判别模型推理和训练的高级抽象计算过程

TFQ的关键特征是能够同时训练和执行许多量子电路。TensorFlow能在计算机集群之间并行化计算,并能够在多核计算机上模拟相对较大的量子电路,从而实现了这一目标。

为了实现后者,谷歌还宣布发布新的高性能开源量子电路模拟器qsim,该模拟器已证明能在111秒内在一个谷歌云节点中以14栅极深度仿真一个32量子比特量子电路。

该模拟器特别针对多核英特尔处理器进行了优化。结合TFQ,谷歌研究人员60分钟内在谷歌云节点(n2-highcpu-80)上以20栅极深度对20量子位量子电路进行了100万次电路仿真。

qsim Github链接:https://github.com/quantumlib/qsim

五、量子软件正在走向主流

TFQ并不是用于量子机器学习的第一个工具包。例如多伦多的量子计算初创公司Xanadu提供了一个类似的平台,称为Pennylane。

不过在Xanadu研究人员内森·基洛兰(Nathan Killoran)看来,谷歌在做的当之为一件大事。他认为,开发人员围绕着TensorFlow等知名工具建立社区、共享代码和想法,将推动创新。

量子计算市场被认为是云计算巨头利润丰厚的新收入来源,有分析师称,到2025年,这一市场将达到近10亿美元。

量子软件也开始走向主流。

去年夏天,微软开源了其量子计算开发套件及Q#编译器和模拟器,11月又宣布开放云量子计算服务Azure Quantum的计划。微软与量子硬件供应商霍尼韦尔、IonQ、QCI的合作关系,将使现有微软产品能与量子计算机一起使用。

去年12月,亚马逊AWS发布推进量子计算技术计划的云服务Amazon Braket,可为客户提供开发环境以构建量子算法,在模拟量子计算机上对其进行测试,并在各种不同的量子硬件架构上进行尝试。量子硬件供应商D-Wave、IonQ和Rigetii均是其合作伙伴。

同一时间,亚马逊还宣布成立量子解决方案实验室,并和Braket共同宣布在加州理工学院建立AWS量子计算中心,将把亚马逊研究人员和工程师与量子计算的学术机构召集在一起,以开发功能更强大的量子计算硬件,并确定新颖的量子应用。

总部位于不列颠哥伦比亚省的量子计算公司D-Wave Systems,上个月还发布了其新版Leap工具包,用于量子应用程序开发。

多家大型公司正在使用Leap来开发内部量子软件。其中,大众汽车公司(Volkswagen)建立了超精确的公共交通模拟器来计划公交路线,意大利电信公司(Telecom Italia)建立了用于优化5G网络的量子应用程序。

就上周,霍尼韦尔宣布“在量子计算方面的突破,将加速量子计算机的功能”,称“使该公司能够在未来三个月内发布全球功能最强大的量子计算机。”

而在接下来的三个月内,IBM可能会发布量子容量为64的量子计算机,英特尔也可能会公布其量子计算研究的相关进展,量子计算的战场正在变得愈发热闹。

结语

当前TFQ主要面向在经典量子电路模拟器上执行量子电路。据Google AI Blog介绍,未来TFQ将能够在Cirq支持的实际量子处理器(包括谷歌自己的Sycamore量子芯片)上执行量子电路。

目前,量子机器学习仍然是一个利基市场。谷歌将机器学习和量子计算结合的方法,有助于催生更多相关的创新研究,我们也期待在更多软件工具的涌现能加速发现新的量子算法,从而突破更多颇具挑战性的科学难关。

参考资料:Google AI Blog,TFQ白皮书,MIT Technology Review

TFQ官网:https://www.tensorflow.org/quantum

TFQ Github 链接:https://github.com/tensorflow/quantum

感谢阅读。点击关注上船,带你浪在科技前沿~

谷歌量子计算团队再次发送自然!或者为容错量子计算机的发展铺平道路

撰文:库珀 编审:寇建超

谈起量子计算,大多数人只有模糊的概念,这是一项高深且极具革命性的计算技术,能完成目前世界上最先进的传统计算机不可能完成,或者需要极长时间才能完成的计算任务。

2019 年,Nature 曾以封面的形式刊登了一篇谷歌量子计算首次实现量子优越性的论文,在实验中,谷歌量子计算机基于 54 量子位处理器,只用了 200 秒就完成了世界第一超算需要计算1万年才能算出的结果,揭示了量子计算机的巨大潜能。

图|谷歌量子计算设备和“悬铃木”处理器概念图(来源:OUTLOOK Series)

量子计算机最突出的优势是可以对数据进行同时处理计算,但其发展瓶颈也很明显,例如目前量子比特数不够多,纠错容错技术也有待完善,这些因素都大大限制了量子计算的普及实用。因此,包括各国工业界、学术界和国家实验室的科研人员都在寻求减少量子计算机错误的方法。

就在今天,谷歌量子人工智能(Google AI Quantum)团队的一篇论文再次刊登在 Nature 杂志上,研究人员基于谷歌量子处理器“悬铃木”(Sycamore)实现了量子计算错误抑制的指数级增长。

(来源:Nature

研究数据表明,研究人员将重复码基于的量子比特数量从 5 个提高到 21 个,对逻辑错误的抑制实现了最多 100 倍的指数级增长,这种错误抑制能力在 50 次纠错实验中均表现稳定,或为可推进容错量子计算机的研发铺平道路

尽管实验中提及的错误率还没达到实现量子计算机潜力的阈值,但这一研究成果已经证明了量子纠错(quantum error-correction,QEC)可以成功将错误率控制在一定范围内。研究人员认为“悬铃木”架构或已逼近这一阈值,结果令人振奋。

改善错误率的路径

实现量子计算的潜力需要足够低的逻辑错误率,许多应用程序要求错误率低至 1/(10^15),即 10的负 15 次方,但目前最先进的量子平台的物理错误率通常才接近 1/(10^3)。

而量子纠错通过将量子逻辑信息分布在许多物理量子位上,使得错误可以被检测和纠正,从而有望弥合这一鸿沟。

编码的逻辑量子位状态上的错误可以随着物理量子位数量的增长而指数地被抑制,但前提是物理错误率低于某个阈值并且在计算过程中保持稳定。

在这项研究中,研究人员实现了嵌入在超导量子比特的二维网格中的一维重复码,证明了位翻转或相位翻转错误的指数抑制,当量子比特数从 5 增加到 21 时,逻辑错误减少了 100 倍以上。

许多量子纠错体系结构是建立在稳定码的基础上的,其中逻辑量子位是在多个物理量子位的联合状态下编码的,研究人员称之为数据量子位。

称为测量量子位的附加物理量子位与数据量子位隔行扫描,并用于周期性地测量所选数据量子位组合的奇偶性。这些投射稳定器测量将数据量子态的不希望的扰动变成离散误差,研究人员通过寻找奇偶性的变化来跟踪这些误差,然后可以对奇偶校验值流进行解码,以确定发生的最可能的物理错误。

图|每轮纠错的逻辑错误概率比例缩放公式(来源:Nature

以前的许多实验已经证明了稳定码在各种平台上的运行原理,如核磁共振、离子阱和超导量子位等。然而,这些结果不能外推到大系统中的指数误差抑制,除非对串扰等非理想特性有很好的理解。此外,指数误差抑制以前没有用循环稳定器测量来证明,这是容错计算的一个关键要求。

研究人员此次在测量过程中也引入了误差机制,如状态泄漏、加热和数据量子位退相干,并运行了两个稳定器代码。在重复码中,量子位在一维链中的量子位和数据量子位之间交替,每个量度量子位检查其两个相邻量子位的奇偶性,所有量子位检查相同的基,以便逻辑量子位不受错误的影响。

改进的“悬铃木”处理器

在硬件方面,研究人员基于“悬铃木”(Sycamore)处理器来实现量子纠错,它由一个二维的量子位阵列组成,其中每个量子比特可调谐地耦合到四个最近的邻域,即表面代码所需的连接性。

该处理器具有改进的读出电路设计,允许以更少的串扰进行更快的读出,并且每量子位的读出误差减少 2 倍,和它的前身一样,这个处理器有 54 个量子位,但研究人员最多使用了 21 个量子位,因为只有处理器的一个子集连接起来了。

图|“悬铃木”上的稳定器电路概念图,构成稳定器电路的操作错误率以及相位翻转码电路示意图等(来源:Nature

据论文描述,此次实验利用了“悬铃木”结构的门校准的最新进展。

首先,研究人员通过将每个量子位的频率扫过读出谐振器的频率,从激发态(包括非计算态)中移除布居。这种复位操作附加在量子纠错电路中的每次测量之后,并在 280ns 内产生误差低于 0.5% 的基态;

然后,他们利用两个量子位元的联合态(1,1)和(0,2)之间的直接交换来实现一个 26ns 受控 Z(CZ)门,可调量子比特-量子比特耦合允许这些CZ门以高并行度执行,并且在重复代码中同时执行多达10个CZ门;

最后,使用量子纠错的结果来校准每个 CZ 门的相位校正,同时利用交叉熵对标,结果发现发现 CZ 门泡利平均误差为 0.62%。

研究人员将重复码实验的重点放在位相翻转码上,在位相翻转码中,数据量子位占据了对能量弛豫和退相都很敏感的叠加态,这使得它的实现比位相翻转码更具挑战性,也更能预测表面码的性能。在测量和复位期间,数据量子位被动态解耦,以保护数据量子位免受各种退相源的影响。

研究人员分析实验数据的第一步是将测量结果转化为错误检测事件,即相邻回合之间相同测量量子位的测量结果变化,他们将检测事件的每个可能时空位置(即特定量子位和圆)称为检测节点,对于 50 轮 21 量子位相位翻转码中的每个检测节点,他们都绘制了在该节点上观察到检测事件的实验分数。

在第一轮和最后一轮检测中,检测事件的分数与其他轮相比有所降低。在这两个时间边界回合中,通过比较第一个稳定器测量和数据量子位初始化来发现检测事件。因此,在时间边界回合中的测量量子位读出期间,数据量子位不受消相干的影响,这说明了多回合运行量子纠错对准确基准性能的重要性。

除了这些边界效应,研究人员还观察到平均检测事件分数为 11%,并且在所有 50 轮实验中都是稳定的,这是量子纠错可行性的关键发现。

图|错误检测分析(来源:Nature

接下来,研究人员描述了检测事件之间的成对相关性。通过计算任意一对检测节点之间的相关概率来检验“悬铃木”处理器是否符合期望,正如预期的那样,最明显的相关性要么是类空间的,要么是类时间的。

此外,他们还观察到一些偶发事件大大降低了重复代码的性能,未来通过改进设备设计或屏蔽来缓解这些事件,对于实现具有超导量子比特的大规模容错计算机至关重要。

图|错误和表面码(来源:Nature

重要的研究方向

为了更好地理解本研究中的重复编码结果和设备的投影表面编码性能,研究人员用去极化噪声模型模拟了实验,这意味着在每次操作后都有可能注入随机泡利误差(X、Y 或 Z),使用平均错误率计算每种操作类型的泡利错误概率。总的来说,∧ 的测量值比模拟值差约 20%,研究人员将其归因于泄漏和串扰误差等机制,但未包括在模拟中。

关于下一步研究,研究人员表示,必须提高“悬铃木”的整体性能才能观察到表面码的错误抑制。

展望未来,我们在实现可伸缩量子纠错的道路上依然存在许多挑战。但此次研究中的误差预算则指出了达到表面编码阈值所需的重要研究方向:在测量和复位过程中减少 CZ 门误差和数据量子位误差,跨过这个门槛将是量子计算的一个重要里程碑。

然而,实际的量子计算需要 ∧≈10(表示 1000:1 的合理物理与逻辑量子比特比),达到 ∧≈ 10 将需要大幅度降低操作错误率,并且需要进一步研究高能粒子等错误机制的缓解。

参考资料:

https://www.nature.com/articles/s41586-021-03588-y