最新一期《自然》雜志發布了谷歌“深度思維”團隊的人工智能（AI）成果：一款名為“阿爾法量子比特”（AlphaQubit）的AI解碼器。這款解碼器能以前所未有的精確度檢測量子計算過程中出現的錯誤，且在10萬輪模擬實驗中均保持良好性能，這是構建穩定可靠量子計算機的關鍵步驟。
“阿爾法量子比特”采用了基于神經網絡的設計，特別是利用了Transformer架構，這是目前大多數大型語言模型的基礎。該解碼器的任務是在實驗結束時，通過一致性檢查作為輸入，準確預測邏輯量子位的狀態是否已從初始狀態發生變化。
在訓練階段，團隊首先使用了來自“懸鈴木”量子處理器的49個量子比特的數據集對“阿爾法量子比特”進行訓練。他們先利用量子模擬器生成了數億個不同設置和錯誤級別的示例，隨后通過數千個實驗樣本來微調“阿爾法量子比特”，使其更好地適應具體應用場景。
測試結果顯示，在處理“懸鈴木”的新數據時，“阿爾法量子比特”顯著提高了錯誤識別的準確性。特別是在最大規模的實驗中，“阿爾法量子比特”將錯誤率降低了6%以上。同時，它還比相關性匹配方法的錯誤率低了約30%。
團隊還使用了最高至241個量子比特的模擬量子系統數據進行訓練，結果顯示，即使在超出“懸鈴木”平臺限制的情況下，“阿爾法量子比特”依然能夠超越現有的高級解碼算法，顯示出其在未來中型量子設備上的潛在應用價值。
此外，在長達10萬輪的模擬實驗中，即使經過最多25輪的錯誤校正訓練，“阿爾法量子比特”仍表現出色，證明了其在面對未知情況時的泛化能力。
團隊表示，“阿爾法量子比特”代表了使用機器學習進行量子糾錯的重要里程碑，但其仍面臨速度和可擴展性方面的重大挑戰，未來還需尋找更加高效的訓練方法。
總編輯圈點：
量子計算的可靠性與穩定性是其面臨的重要挑戰。利用人工智能技術為量子計算糾錯，是一種極具潛力的思路：機器學習能高效處理量子計算過程中產生的海量數據，快速識別出錯誤模式與特征，從而顯著提升量子糾錯效率。不過，人工智能與量子計算都屬于新興前沿技術，這兩種技術均具有一定的復雜性，且面臨可靠性方面的挑戰。兩個“新手”做“搭檔”，會不會引入新的不確定性？這一點需要研發團隊高度關注。
最新一期《自然》雜志發布了谷歌“深度思維”團隊的人工智能（AI）成果：一款名為“阿爾法量子比特”（AlphaQubit）的AI解碼器。這款解碼器能以前所未有的精確度檢測量子計算過程中出現的錯誤，且在10萬輪模擬實驗中均保持良好性能，這是構建穩定可靠量子計算機的關鍵步驟。
“阿爾法量子比特”采用了基于神經網絡的設計，特別是利用了Transformer架構，這是目前大多數大型語言模型的基礎。該解碼器的任務是在實驗結束時，通過一致性檢查作為輸入，準確預測邏輯量子位的狀態是否已從初始狀態發生變化。
在訓練階段，團隊首先使用了來自“懸鈴木”量子處理器的49個量子比特的數據集對“阿爾法量子比特”進行訓練。他們先利用量子模擬器生成了數億個不同設置和錯誤級別的示例，隨后通過數千個實驗樣本來微調“阿爾法量子比特”，使其更好地適應具體應用場景。
測試結果顯示，在處理“懸鈴木”的新數據時，“阿爾法量子比特”顯著提高了錯誤識別的準確性。特別是在最大規模的實驗中，“阿爾法量子比特”將錯誤率降低了6%以上。同時，它還比相關性匹配方法的錯誤率低了約30%。
團隊還使用了最高至241個量子比特的模擬量子系統數據進行訓練，結果顯示，即使在超出“懸鈴木”平臺限制的情況下，“阿爾法量子比特”依然能夠超越現有的高級解碼算法，顯示出其在未來中型量子設備上的潛在應用價值。
此外，在長達10萬輪的模擬實驗中，即使經過最多25輪的錯誤校正訓練，“阿爾法量子比特”仍表現出色，證明了其在面對未知情況時的泛化能力。
團隊表示，“阿爾法量子比特”代表了使用機器學習進行量子糾錯的重要里程碑，但其仍面臨速度和可擴展性方面的重大挑戰，未來還需尋找更加高效的訓練方法。
總編輯圈點：
量子計算的可靠性與穩定性是其面臨的重要挑戰。利用人工智能技術為量子計算糾錯，是一種極具潛力的思路：機器學習能高效處理量子計算過程中產生的海量數據，快速識別出錯誤模式與特征，從而顯著提升量子糾錯效率。不過，人工智能與量子計算都屬于新興前沿技術，這兩種技術均具有一定的復雜性，且面臨可靠性方面的挑戰。兩個“新手”做“搭檔”，會不會引入新的不確定性？這一點需要研發團隊高度關注。
本文鏈接：構建穩定可靠量子計算機邁出關鍵一步，“阿爾法量子比特”展現準確糾錯能力http://m.sq15.cn/show-2-9471-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： 科學家造出納米意大利面，直徑約為人類發絲的1/200
下一篇： 銀河系外恒星特寫照片首次發布