Google 在 Willow 上演示魔术态培育，将错误降低约 40 倍

Google Quantum AI 表示，它已证明魔术态培育（一种用于制备特殊量子资源的技术）可在其 Willow 超导处理器上运行。据该公司称，与未使用该方法制备的量子态相比，该方法将错误降低了约 40 倍。Google 表示，这项成果已发表在 Science 期刊上，并于本周由研究科学家 Emma Rosenfeld 和量子软件工程师 Craig Gidney 在一篇博客文章中宣布。

容错量子计算机需要一套通用的操作，其中所谓的非 Clifford 门在大多数纠错设计中都是一项重大的资源开销。提供这类操作的一种常见方式是先制备称为魔术态的特殊输入态，再通过消耗它们来执行这些操作。每个魔术态只能使用一次，而以低错误率制备它们代价高昂：Google 援引的估计称，一台机器多达 95% 的容量可能要用于生产魔术态。该公司表示，研究人员自 2004 年起就预见到了这一瓶颈。

培育方法由 Gidney 与 Google 同事 Noah Shutty 和 Cody Jones 于 2024 年提出，他们改进了早期文献中的一个想法。该方法起到筛选器的作用：将一个含噪声的量子态注入芯片上的一小块区域，随后通过一系列协调的测量进行检验，任何暴露出错误的尝试都会被丢弃。根据该团队 arXiv 预印本摘要，实验在保留 8% 尝试的情况下达到了 0.9999(1) 的态保真度，团队还开发了一种容错测量协议来为该保真度确定界限。Google 将其 T 态 99.99% 的逻辑保真度描述为一项纪录。

研究人员还在两种纠错方案之间转移了培育出的量子态。颜色码是一种较新的方法，适合培育，而表面码则是更为成熟的方法。团队将量子态从 distance-3 颜色码嫁接到 distance-5 表面码中，Google 表示，这表明经过提纯的量子态能够在其硬件上经受住这种交接。该公司还描述了在早期数据看起来在物理上不合理之后长达数月的排查工作：Rosenfeld 将问题追溯到实验室噪声，其来源是电气设备漂移和温度变化，这些因素削弱了团队通常使用的基准测试，促使团队加强了控制，并采用了一种新的基准测试方法，即用培育来测量其自身。

Google 承认，培育方法仍需在更大规模上得到演示，才能在实用机器上变得现实可行，并表示仍存在大量技术挑战。保留率这一数字也意味着，实验中的大多数尝试都被丢弃了。该论文的预印本此前已发布在 arXiv 上。Google 将这一成果定位为朝着其构建有用的、经过纠错的量子计算机这一目标迈出的一步。