Quantinuum报告：Helios上的逻辑存储保真度达到99.9995%

Quantinuum报告了一项量子纠错成果，让实用量子计算的一项核心要求更加清晰：必须让量子信息保持完整足够长的时间，才能用它完成有价值的任务。在其Helios囚禁离子量子计算机上，该公司测得每个错误校验周期的逻辑存储保真度为99.9995%——相当于每百万个周期约发生5次逻辑错误。

这项成果于10月19日公布，相比该公司此前报告的纪录，错误率降低了十倍。Quantinuum表示，这进一步支持了Apollo的研发前景；Apollo是该公司计划于2029年推出的通用容错系统。不过，这项实验是一项重要的存储基准测试，并非展示某个完整的实用应用能以这一准确度运行。

随附的研究还凸显了人工智能与量子计算日益紧密的联系：神经网络能够快速解读错误测量结果，为未来实现实时纠错提供支持。要评估这项进展，必须了解研究测量了什么，以及这些解码器是如何接受测试的。

99.9995%的结果测量了什么

物理量子比特容易受到干扰，导致其量子态受损。纠错会将信息分散到多个物理量子比特中，以构成一个逻辑量子比特；与此同时，额外的测量可以发现错误迹象，而不直接读取受保护的信息。

关键在于检验增加保护措施是否确实降低了逻辑错误率。低于纠错阈值时，更大的码应当表现更好；高于阈值时，维持编码所需的额外操作则可能引入过多噪声。

在远低于色码阈值的量子纠错研究中，Quantinuum的研究人员测试了码距为3、5和7的色码。码距反映了保护强度。测得的逻辑存储错误率从码距为3时每个周期约万分之5.5，降至码距为5时的十万分之3.8；码距为7时则约为百万分之5。

规模最大的存储实验使用了73个物理量子比特（包括测量辅助量子比特）来保护一个逻辑量子比特。该估算基于29,000次实验运行中的3次失败，每次运行包含20轮纠错。观测到的失败次数较少，因此统计不确定性不容忽视：论文报告的中心错误估计为每百万次5次，标准差区间约为每百万次3至9次。

这有力地表明，保护效果正在不断提升。但这并不意味着已经无误差地执行了百万个任意量子门，或商业算法的百万个步骤。

Helios为何能够测试不同的纠错码

Quantinuum的实验技术说明重点介绍了他们在此前成果所用的同一套Helios硬件上作出的改进。该平台采用囚禁离子，具有这样的连通性：离子之间的相互作用不受固定最近邻布局的限制。这种灵活性使研究人员能够调整纠错策略，而无需围绕单一编码方案重新设计处理器。

这项新研究还处理了泄漏问题，即离子脱离用于表示量子比特的状态。泄漏可能造成相关错误，对纠错方案尤其有害。研究人员将光学再泵浦技术与电路技术结合使用：前者可使泄漏的离子返回计算态，后者则旨在限制错误的扩散。

在所测试的不同码距下，码距每增加2，逻辑存储错误率便改善约12倍。一项独立的双量子比特克利福德门实验表明，码距从3增至5时，错误抑制效果提升约9倍。这两项基准测试彼此相关，但并不相同：不能将标题中的存储保真度套用于门操作结果。

人工智能助力解码错误信号

量子纠错依赖经典解码器来解读测量模式并判断可能出现的错误。如果解读过程跟不上处理器的速度，仅仅改进物理硬件还不够。

这项研究比较了多种方法，包括名为Tesseract的A*搜索解码器、名为Frontier的流式解码器、一个三维卷积神经网络，以及一个轮次令牌Transformer模型。研究人员使用Helios模拟器生成的数据训练神经网络模型，随后将其应用于实验数据，期间没有针对硬件数据进行微调。

人工智能在这里发挥的是一项具体作用：识别量子测量中的错误模式。这些模型既没有取代量子处理器，也没有展示通用人工智能应用。它们的价值在于兼顾解码准确性与速度，以维持反复进行的纠错周期。

研究人员报告称，神经网络推理耗时为数百微秒，足以在这类硬件上实现实时运行。关键在于，研究中的所有解码均为离线完成。流式测试逐轮输入测量结果以评估耗时；这并不意味着神经解码器在整个实验过程中控制了实时反馈回路。

这一差别意味着，前方仍有一项工程里程碑有待实现，但这并不减损该成果的重要性：在模拟中训练的模型成功解读了来自实体量子机器的错误。

从内存纪录到实用计算，还需跨越哪些障碍

Quantinuum 将这一成果称为世界纪录，并表示其准确率现已达到 Apollo 的目标范围。看待这些说法时，也应结合容错计算更广泛的要求。实用系统必须保护大量逻辑量子比特，执行足够广泛的一组量子门，在计算过程中持续进行纠错，并提供足够的吞吐量，以完成有价值的工作负载。

即使在这项研究中，资源限制仍然显而易见。研究人员没有开展距离为 7 的双量子比特门实验，因为所需量子比特数超过了 Helios 的可用数量。该公司的博客还指出，可扩展的阈值以下魔态制备仍有待验证；这项技术是实现通用容错计算的一条重要路径所必需的。

Quantinuum 的路线图包括计划于 2027 年推出 Sol 系统，并于 2029 年推出 Apollo。这些仍是研发目标。目前的证据范围较窄，但意义重大：在现有硬件上，通过更换编码、控制泄漏并改进解码，大幅减少了逻辑内存错误。

对于量子行业而言，这一成果将关注点转向了一个比“处理器能否展示纠错能力”更严峻的问题：这种保护能否扩展到实用计算的整套机制之中？对于 AI 研究人员而言，这项成果提供了一个具体例子，说明机器学习如何在控制基础设施层面为这一目标作出贡献。