用“试错学习”来控制量子纠错

量子计算机本质上是模拟设备，比经典数字计算机脆弱得多。量子纠错（QEC）通过重复检测错误，把连续的模拟误差‘数字化’为‘有错/无错’两类事件，再据此解码并修正逻辑量子态，从而实现低逻辑错误率（LER）。但仅靠数字化错误还不够——纠错效果高度依赖对物理量子比特的模拟控制精度。只有当单个门操作错误率远低于约0.001–0.01的阈值时，QEC才真正有效；而精确调校这些控制参数的过程就叫‘校准’。问题在于，模拟控制系统会随时间缓慢漂移（如温度变化、材料缺陷等），导致原本精准的参数逐渐失效。以往做法是暂停整个计算过程进行重新校准，但这与未来需连续运行数天甚至数月的实用算法根本冲突。虽然有人提出用逻辑门交换或编码变形等方案，却会大幅增加电路开销和操作复杂度。

本研究另辟蹊径：直接利用纠错过程中自然产生的错误检测信号——因为校准不准引发的错误，同样会产生可识别的信号。我们不再用人工设计的固定校准流程，而是把每一次错误检测事件都当作一个‘学习信号’，输入给强化学习（RL）智能体。该智能体持续分析这些信号，动态调整上千个控制参数（如微波脉冲频率、幅度等），在计算运行中实时稳定量子系统。

实验在Willow超导量子处理器上验证了该框架：针对人为注入的参数漂移，表面码的逻辑稳定性提升3.5倍；更关键的是，它刷新了表面码和彩色码的纠错性能纪录——平均每个纠错周期的逻辑错误率分别低至7.72×10⁻⁴和8.19×10⁻³。数值模拟还证实，该RL框架可扩展至含数万个参数的大规模编码（如距离-15表面码），且优化速度不随系统规模增大而变慢——这得益于算法巧妙利用了‘错误检测区域局部性’这一物理特性：每个检测器只与附近少量门的控制参数相关，形成稀疏的‘因子图’结构，极大降低了高维优化难度。

进一步，我们证明该方法不仅能精细调优（在传统校准基础上再降20%错误率），还能主动‘追踪漂移’：当系统参数按阶梯、正弦或频闪方式变化时，RL智能体可在约130个纠错周期内快速响应，将错误检测率稳定在初始水平之下。更难得的是，它不依赖任何硬件改动或额外资源开销，也适用于超导、原子等各种量子硬件平台和不同纠错编码。总之，这项工作首次实现了量子计算机‘从自身错误中学习’的能力，把过去必须中断计算的校准，转变为无缝融入运算的自主适应过程，为大规模容错量子计算铺平了一条可扩展、智能化的新路径。