LiftDiff: Guided Discrete Diffusion for Quantum Code Construction

量子计算机有望解决经典机器需要数千年才能处理的问题，从破解复杂的密码到模拟新材料。然而，这些机器极其脆弱。它们用于存储信息的微小粒子被称为量子比特（qubits），极易受到周围环境的干扰，导致精密的计算坍缩成错误。为了构建一台实用的量子计算机，科学家必须使用一种误差校正系统来保护这些量子比特，就像一张安全网，在错误破坏计算之前将其捕捉。这张安全网是由被称为量子纠错码的特殊数学模式构建而成的。挑战在于设计这些模式，使其既足够强大以捕捉错误，又足够简单以便高效地构建和使用。多年来，研究人员一直依赖僵化的数学公式来创建这些编码，往往难以找到既能提供高保护能力又能实现高效率的设计。

来自以色列本·格里恩大学的一个研究小组引入了一种解决该问题的新方法，从僵化的公式转向一种学习和进化的方法。他们开发了一个名为 LiftDiff 的工具，该工具使用一种被称为离散扩散模型的人工智能技术来发明新的量子编码。该系统并非遵循固定的规则，而是从一个混沌、多噪的模式开始，通过逐步清理，直到出现一个清晰、功能完备的编码。这种方法的独特之处在于，研究人员利用一组目标来引导这个清理过程。随着人工智能不断精炼模式，它会不断检查所得编码的表现如何，从而将创建过程引向稀疏、鲁棒且能够有效纠错的设计。这并非随机搜索，而是一场在广阔的可能性景观中的引导之旅，人工智能通过尝试修复错误的编码来学习什么是好的编码。

研究人员在被称为提升积码（lifted product codes）的特定编码族上训练了他们的系统，这类编码由较小的基础矩阵构建而成。他们通过向 AI 展示示例，然后要求其在加入随机噪声后重建这些矩阵，从而教会 AI 识别这些矩阵的结构。一旦 AI 掌握了底层模式，团队便进入了生成阶段。在此阶段，他们引入了一个能量函数，即一个评估所创建编码质量的评分系统。该评分考虑了几个关键因素：编码可以检测多少错误、它可以承载多少逻辑比特的信息，以及比特之间的连接复杂度。AI 利用这一分数在其清理过程中引导其预测，确保最终结果不仅仅是一个随机模式，而是一个高度优化的编码。

这种引导式生成的成果令人瞩目。该系统产生了一系列具有出色规格的新型量子编码。在这些发现中，有的编码能在 169 个物理量子比特的区块内保护 13 个逻辑量子比特，还有的能在 143 个物理量子比特内保护 15 个逻辑量子比特。其中一个特别值得注意的编码在保护 19 个逻辑量子比特的同时，还能在 247 个物理量子比特内保持高水平的误差保护。与现有设计相比，这些新编码通常表现更好，提供了更高的有用信息与总规模之比。在模拟现实世界噪声的测试中，生成的若干编码在广泛的错误率范围内均优于一种著名的标准编码，即使在噪声增加时也能保持可靠。

这项研究还揭示了引导机制如何从根本上改变了结果。当研究人员在没有引导评分的情况下运行 AI 时，系统产生的编码往往更简单，但在纠错方面效果较差。有了引导，AI 能够在不牺牲实际应用所需的结构简单性的情况下，导航向更复杂且功能强大的设计。团队通过严格的模拟验证了这些发现，在数百万个随机错误场景下对编码进行了测试。由于精确计算存在计算难度，部分编码的距离是通过上界进行估算的，而最有潜力的候选编码则通过先进的数学优化技术得到了确认。研究结果表明，生成式模型可以成功探索量子编码设计中广阔且困难的空间，找到传统代数方法可能遗漏的解决方案。

这项工作代表了迈向容错量子计算的重要一步。通过将编码设计视为一个生成过程而非纯粹的代数过程，研究人员为发现开辟了一条新路径。他们发现的编码不仅是理论上的奇思妙想，更是可以在未来量子硬件上实现的具体设计。生成具有高效率和强误差保护能力的编码，使大规模、可靠量子计算机的梦想离现实更近了一步。随着该领域的不断演进，像 LiftDiff 这样的工具可能会成为在保护、效率和硬件约束之间进行复杂权衡时的必备工具，确保未来的量子计算机建立在稳健、智能设计的基石之上。