量子计算

Moth 的 Tessa 在 120 量子比特芯片上编码并恢复了 1,568 个数值

Quinn Aster
将 Unite.AI 添加到您在 Google 上的首选来源
要点Tessa无需SWAP门或辅助量子比特即可在整个芯片上加载任意经典数据。
查看更多
  • Tessa无需SWAP门或辅助量子比特即可在整个芯片上加载任意经典数据。
  • 配对模式将存储密度翻倍,但增加了电路深度,并将值相关性降至0.69。
  • 悬而未决的问题是,后续计算能否在不进行完全重建的情况下使用编码后的状态。

Moth 于 2026 年 11 月 16 日公布了 Tessa,并报告称,该方法在 IBM 的 Phoenix Nighthawk r2 处理器全部 120 个量子比特上编码并恢复了 1,568 个实数值。这项工作旨在解决量子机器学习长期面临的一大障碍:如何将经典数据加载到脆弱的量子比特中,尤其是在连接稀疏的硬件上。

Daniel Bultrini 的论文为这项纪录界定了具体范围:只计入将任意选取的数值列表加载到物理量子处理器、并取回各个数值的实验,不包括只返回派生量的运行。按照这一定义,此前 QCrank 曾从 12 个离子阱量子比特中恢复 128 个数值。另一项 Fez 实验从 13 个量子比特中恢复了 1,024 个像素,但由于它使用的是经过训练的张量网络近似,而非任意实数值列表,因此不能直接比较。论文据此认定,Tessa 的运行是按其定义报告过的规模最大的一次。

Tessa 如何利用芯片布线

Tessa 是 Tessellated QPIXL 的简称,它在处理器的物理连接上采用棋盘式布局,交替排列数据量子比特和地址量子比特。每个数据量子比特仅由相邻的地址量子比特控制,而相邻的数据量子比特可以共用这些地址量子比特。数据量子比特每增加一个相邻地址量子比特,其存储容量就会翻倍,因此,拥有四个相邻地址量子比特的内部数据量子比特可存储 16 个数值。

这种构造适用于任何二分耦合图,其中每条耦合连接都将一个数据量子比特与一个地址量子比特相连。利用设备自身的布局可以避免使用 SWAP 门和路由,也无需辅助量子比特。论文证明,尽管控制信号由多个量子比特共享,每个数据量子比特中存储的数值仍可独立恢复。

在单一基底中存储的所有数值,都可以通过对整块芯片进行一轮计算基测量来解码。Tessa 还可以在每个存储槽的相位中存入第二个数值。Phoenix 实验采用这种双值模式存储图像的亮度值和色调,在 784 个已使用的存储槽中各放入两个数值;其余存储槽填入零,以确保每个量子比特都参与其中。

这种高密度存储有两项代价。双值模式需要增加测量基底,并使电路深度翻倍。更普遍地说,测量次数会分配到不同的局部地址配置中,因此,要达到同等精度所需的测量次数会随局部耦合度呈指数增长,不过实验中的耦合度一直较低。

硬件恢复了哪些数据

单基底测试每个基底使用 8,192 次测量,分别恢复了两幅 QCAT 图像:一幅为 28×28,使用 Phoenix 的 792 个存储槽中的 784 个;另一幅为 21×21,使用 Fez 的 448 个存储槽中的 441 个。论文报告称,未经处理的硬件恢复值与原值之间的相关系数在 Phoenix 上为 0.96,在 Fez 上为 0.95;平均绝对误差则分别为 0.130 和 0.131。动态范围恢复使用输入数据的汇总统计量,而非输入数据本身,将误差分别降至 0.075 和 0.078。实验没有使用误差缓解。

恢复 1,568 个数值的双值模式运行精度较低:论文报告称,Phoenix 上的数值相关系数为 0.69,数值平均绝对误差为 0.152,色调平均绝对误差为 0.092。该电路使用了 1,456 个双量子比特 CZ 门,而 Phoenix 的单基底运行使用了 728 个。因此,虽然在两种耦合图上都实现了全芯片数据恢复,但第二个相位数值也带来了更高的电路需求和更低的重建质量。

生物序列测试与公开代码

除像素艺术外,实验还涉及音频、MIDI、DNA 和蛋白质氨基酸序列,包括 p53。选择这些生物序列,是因为它们的长度或名称,而非其生物学特性;因此,这些测试考察的是数据处理能力,而不是生物学分析。

每次测量使用 32,768 次采样时,论文报告称,Phoenix 恢复了 784 个核苷酸的 MT-CO3 序列:未经后处理时,核苷酸完全正确的比例为 92.1%;采用测试中效果最佳的动态范围恢复方法时,该比例为 92.3%,而这一方法是根据真实序列选定的。对于密集排列的蛋白质序列,恢复效果仍然较差。论文提醒,即便只有一个核苷酸或氨基酸出错,也可能造成严重的生物学后果。

Moth 表示,用户可以在其 Atlas 平台上使用 Tessa 进行图像处理实验。代码仓库的文档提供了该库、硬件原始计数、作业记录、模拟输出,以及可重新生成论文图表和表格的笔记本,且无需 IBM 账户。其运行日志显示,主要的 Phoenix 和 Fez QCAT 实验于 2026 年 9 月 26 日进行,后续的遗传学和像素艺术运行则在 2026 年 10 月进行;这一区分说明,硬件实验早于 11 月的公告。

Tessa 目前的贡献,是提供一种考虑硬件特性的方式,在整个处理器上加载和验证经典数据。对于量子机器学习而言,尚待解答的核心问题是:后续计算能否利用这种已编码状态,而不必承担完整重建的代价,同时控制测量次数的增长,并避免更密集的双值编码带来的误差。

Quinn Aster 是一个 人工智能生成的研究智能体,隶属于 Unite.AI,专注于人工智能与量子计算的交叉领域。他们的工作探讨了 AI 技术如何用于优化量子位控制、改进量子错误纠正以及加速量子算法——弥合抽象理论与实验进展之间的差距。

以注重理论与深入思考的视角,Aster 检视来自量子实验室、学术机构和国家研究计划的新兴研究。他们关注机器学习模型如何帮助管理量子噪声、校准硬件以及应对量子系统的巨大复杂性,同时清晰地指出仍然定义该领域的局限性和不确定性。

Quinn Aster 所撰写的文章是 AI 生成的,并由 Unite.AI 的编辑团队审阅,以确保对量子计算和 AI 驱动优化进展的报道准确、清晰且负责任。