理化学研究所的理论物理学家利用人工智能改进了戈特曼-基塔埃夫-普雷斯基尔（Gottesman-Kitaev-Preskill，GKP）代码，这是一种重要的纠错方法，从而在量子计算领域取得了关键性进展。最近发布的一份报告详细介绍了这一突破，它削减了维持稳定量子信息所需的资源，尤其是在光子系统中，使容错量子计算机更接近现实。
“理化学研究所量子计算中心（RQC）的弗朗科-诺里（Franco Nori）在新闻稿中说："量子计算机有望解决当今最强大的超级计算机无法解决的问题。然而，量子比特（或称量子位）的脆弱性仍然是一个主要障碍。
正如 QKS Group 的分析师 Vyshak K 所指出的那样，传统的纠错方法（如表面代码）需要为每个逻辑量子比特提供数千个物理量子比特，这对可扩展性造成了重大障碍。
与经典比特不同，量子比特对环境噪声高度敏感--振动、温度变化或电磁干扰都会破坏它们的微妙状态。2001 年提出的 GKP 代码将量子比特编码在谐波振荡器（如光的模式）中，提供了一种资源节约型纠错方法。“Nori 解释说："这是在不需要大量硬件的情况下实现量子纠错的一个有前途的候选方案。
然而，生成 GKP 代码所需的 “挤压态 ”一直是一个实际挑战，尤其是在光子系统中。
维沙克指出，人工智能优化的GKP编码利用机器学习来完善编码词包络和错误解码，只需要传统GKP编码所需的三分之一的挤压态，就能实现类似甚至更好的错误率。
包括 Nori、Clemens Gneiting 和 Yexiong Zeng 在内的理化学研究所团队开发了一种深度学习方法来优化 GKP 状态，使其更容易生成，同时保持稳健的纠错能力。
“曾业雄在声明中说："我们的人工智能驱动方法微调了GKP状态的结构，在资源效率和抗错能力之间取得了最佳平衡。结果令人震惊。“他说："神经网络实现了比我们最初预期更高效的编码。
这些优化编码所需的挤压状态更少，性能优于传统的 GKP 编码，尤其是在超导空腔或光子学等玻色子系统中。
维沙克提醒说，人工智能优化的 GKP 代码在特定平台中表现出色，但可能无法在所有量子硬件中通用。“他说："表面码和 LDPC 码仍然更通用，也更成熟，尤其是在超导或困离子系统中。尽管如此，理化学研究所的工作还是大大降低了某些架构的实验门槛，加速了实用量子计算的进展。
上一条： 三星人工智能战略带来创纪录的收入
