英伟达公司在量子计算领域迈出了重要一步，公开发布了用于训练专用AI模块Ising Decoder ColorCode 1 Fast的代码和工具。该神经网络旨在对量子系统中的错误信号进行预处理，随后将优化后的数据传输给经典解码器Chromobius。
模拟结果令人瞩目：两种算法协同工作将逻辑错误频率降低了347.7倍，整体处理速度比单独使用Chromobius提升了7.3倍。测试基于码距为31、物理错误率为0.3%的量子内存模型进行。需要强调的是，实验使用的是合成数据而非真实量子处理器，这是该研究阶段的常规做法。
Ising Decoder ColorCode 1 Fast的架构是一个17层三维卷积神经网络，拥有约290万个参数。网络覆盖范围为13，训练时使用了13×13×19的输入数组。该模型并非独立解码器，而是作为过滤器运行，通过分析局部信号、减少信号数量，并将稀疏的错误图传递给Chromobius进行最终决策。
颜色代码：从理论到实践
量子纠错是从不稳定的物理量子比特创建稳定逻辑量子比特的关键技术。解码器分析校验测量的结果，并确定需要纠正哪些故障。传统上，表面代码因其高错误阈值和相对简单的解码过程而被用于存储量子信息。
然而，颜色代码虽然能更高效地执行某些逻辑运算，但由于其信号处理复杂，长期处于边缘地位。缺乏快速且精确的解码器一直是其在实时应用中面临的主要障碍。英伟达的研发旨在解决这一问题。
值得注意的是，速度对比是在不同硬件上进行的：神经网络运行于英伟达DGX GB300服务器，而Chromobius则运行于Grace Neoverse-V2处理器。因此，7.3倍的加速不仅反映了算法差异，也体现了GPU相对于CPU的优势。不过，研究作者指出，随着码距的增加，与Chromobius协同工作的优势会进一步扩大。
该框架和训练方案已在开源仓库中根据Apache 2.0许可证发布。需要提醒的是，这是英伟达战略的延续：该公司已于4月推出了Ising开源模型系列，其中包括用于校准量子处理器的工具。
分析师观点：公开此预解码器代码是战略性的正确举措。英伟达不仅展示了技术，还为社区提供了加速研究的工具。然而，关键挑战仍在于如何将这些解决方案集成到真实而非模拟的量子系统中。如果结果在实践中得到验证，这可能将极大加速容错量子计算机的问世——而IBM承诺在2029年前实现这一目标。