近日，中科量枢发布自研量子 AI 纠错模型“量星”系列。其中“量星-QAdapt”面向高噪声超导量子计算机，对标英伟达公司的 Ising 系列相关模型，QAdapt 在逻辑错误率、后端解码延迟以及模型大小上均有不俗表现，同时它还针对多款超导量子芯片的噪声特征做了适配性处理。
经典计算机和量子计算机的根本区别在于：经典计算机的比特只有 0 和 1 两种确定状态，错误形式相对简单；量子比特则可以处于 0 和 1 的叠加态。叠加特性使量子计算机在部分问题上具备远超经典计算机的计算潜力，但也让量子纠错变得更加困难。
环境噪声、温度波动、电磁干扰乃至任何微小的扰动都会让量子比特出错，量子芯片的规模越大、运行的时间越长，错误信号就越密集、越复杂。更棘手的问题在于，不同量子硬件的噪声特征并不相同。即使采用相似的芯片架构，不同设备在比特质量、耦合关系、控制精度和运行环境等方面也可能存在差异，进而形成不同的错误分布和纠错解码负载。
中科量枢通过对不同量子硬件噪声环境的系统分析，给出了一组解码复杂度对比数据。以反映纠错解码负载的“检测器触发密度”为统一指标，不同真实设备之间的检测器触发密度差异最高可达约 1.7 倍。这意味着，未来量子纠错不仅需要降低整体错误率，还必须应对不同硬件带来的噪声分布差异和解码复杂度变化。作为一款AI纠错模型，量星-QAdapt 主要起到神经预解码功能。
在经典解码器介入之前，量星-QAdapt 会先利用神经网络对错误信号进行一轮局部预处理，识别并修正其中一部分可预测错误，从而降低传递给后端解码器的数据复杂度。这相当于先对密集、杂乱的错误信号进行整理，再交由经典解码器完成最终判断。通过这种方式，后端解码器需要处理的检测事件数量和组合复杂度得以降低，有助于减轻计算压力并缩短解码时间。
在架构设计上，量星-QAdapt 考虑了量子纠错的时空特性，凭借专门设计的神经网络结构，它能够同时捕捉错误信号在空间上的分布规律和时间上的传播规律。在空间上，错误会在量子芯片的相邻比特之间传播；在时间上，随着纠错轮次的推进，错误也会进行积累和扩散。量星-QAdapt 的神经网络可以同时处理这两个维度，从而能够更准确地预判错误的位置、类型和传播路径。
与 Ising 相比，量星-QAdapt 的优势在哪里？
英伟达的 Ising 是该技术领域的代表性工作，量星-QAdapt 与它采用同一个整体解码架构，即采用了神经网络预解码加后端经典解码器。在这一技术路线基础上，量星-QAdapt 将重点放在不同量子硬件之间的噪声差异上，通过学习设备自身的噪声特征，使模型能够随噪声分布变化进行自适应调整。
QAdapt 所用 HTNet 网络的参数量较 Ising-fast 减少 28.75%，在真实硬件参数映射的仿真环境条件下，量星-QAdapt 所用 HTNet 架构可将逻辑错误率降低大约 15% 到 18%。在 d=9 的实验条件下，后端解码时间降低大约 12%。参数量更少意味着模型更加轻量、部署更加容易。后端解码时间更短则意味着理论上量子纠错能够更快完成，而这对于需要实时纠错的量子计算系统十分重要。
量星-QAdapt 进一步在 110 种全新的复杂噪声环境下进行了泛化测试，这些配置模拟了不同噪声类型和不同强度的组合，量星-QAdapt 在所有配置环境下取得了优于英伟达 Ising-fast 的表现，胜出率达到 100%。这表明，量星-QAdapt 不仅在低噪声环境下具备优异表现，在更加复杂、更加接近真实硬件运行特征的噪声区间内，该模型仍然保持了相对稳定的性能优势。
跨硬件泛化能力也值得一讲，量星-QAdapt 在 Google Willow 开放数据上进行了测试，期间没有针对目标硬件做任何重新训练。结果显示，量星-QAdapt 在 d=5 和 d=7 上分别将逻辑错误率降低了大约 5.8% 和 2.5%，这表明，量星-QAdapt 学习到的并非仅适用于单一设备的固定噪声规则，而是具备一定可迁移性的纠错能力。当模型面对未参与训练的新硬件数据时，仍能识别部分具有共性的时空错误结构，并改善整体解码效果。
这种泛化能力背后来自于持续学习机制，它能够持续适应新的噪声环境，同时保持已有纠错能力。量星-QAdapt 在训练过程中摒弃只学习一种固定的噪声模式，改为在多个噪声任务上按顺序学习，并使用 Fisher 信息来约束关键参数漂移。这让量星-QAdapt 在学习新噪声特征的同时，不会忘掉之前学到的知识，因此，当设备噪声发生变化，或者模型被迁移到新的硬件环境时，QAdapt 能够基于已有能力进行调整，而不是每次都从零开始训练。
量星-QAdapt：试图填补从算法研究到工程落地之间的空白
当前，量子计算硬件规模持续扩大，量子纠错算法研究也在快速推进。然而，从算法验证走向真实设备部署，中间仍然存在明显的工程适配空白。这一空白的核心原因之一，就是不同量子硬件的噪声特征并不一致。不同设备的比特错误率、测量错误率、耦合错误、关联噪声和时间漂移情况可能存在显著差异。即使一套纠错算法在某个仿真噪声模型或某台设备上表现良好，迁移到另一台设备时，也可能需要重新采集数据、重新训练模型和反复调整参数。因此，量子纠错的工程化问题，不只是“能否纠错”，还包括能否在不同设备、不同噪声水平和持续变化的运行环境中，以可控成本完成纠错。
量星-QAdapt 试图解决的正是这一问题：让模型学习不同量子硬件自身的噪声特征，并随着噪声变化进行自适应调整，减少每次更换设备后从头训练和人工调参的成本。由于 QAdapt 本身是一个可集成的模型模块，因此理论上可以接入不同量子计算系统，而不必与某一种特定硬件或软件栈深度绑定。它的作用并不是取代经典解码器，而是在经典解码之前完成神经预处理，降低错误信号的复杂度，使后端解码器能够以更低的计算压力完成最终纠错。
从量子计算软件栈的角度看，硬件层负责产生和操控量子态，纠错算法负责定义错误识别与恢复方法，而 QAdapt 所代表的自适应预解码模型，则试图补齐两者之间的设备适配层。这一层需要理解真实硬件噪声，并将算法能力转化为能够在不同设备上运行的工程化工具。
当前，我国量子计算正处在由实验室原理验证迈向工程化落地的关键阶段，亟需解决现实工程挑战、可落地的实用化工具链。量星-QAdapt 将助力量子纠错完成从算法原型验证向工程可用的跨越，针对不同量子芯片与差异化噪声工况，可以有效降低重复训练、人工调参带来的高昂成本，赋能上层应用快速对接量子纠错能力。
由此而言，量星-QAdapt 并非一次孤立的产品发布，它既是我国量子计算从算法验证走向工程落地的一次实践，也是量子硬件走向实用化进程当中不可或缺的软件拼图，更是支撑自主量子软件栈体系建设的重要一环。
参考资料：
论文报告：https://arxiv.org/abs/2607.28422
模型开源：https://huggingface.co/Qhub-AI/QAdapt
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
热门跟贴