文 丨 恩里科 排版丨恩里科
行业动向：3500字丨8 分钟阅读
##量子前哨 ##量子计算
上午刚校准好的量子计算机，到了下午，它的解码器对它的了解可能已经过时了。
这不一定是故障。量子比特的频率会随温度游走，材料里的缺陷会时隐时现，门操作的保真度会慢慢退化。硬件在变，而解码器用来判断"哪种错更常见"的那组数字还停在早上。这组数字有个专门的名字，叫解码器先验（decoder prior），通俗的叫法是权重。纠错程序照常运行，可它依据的权重已经不合适了，不盯着更新的话，纠错效果的下滑并不容易被察觉。
10月14日，英国量子纠错公司Riverlane在技术文章中公布了与英伟达合作的一组结果：把解码器重新学习这组权重的过程搬到H100上，一轮训练从单核CPU的3分钟压到2.8秒。文章带给我们的不只是速度提升的认知，而是让我们意识到：解码器对硬件的认识需要持续更新，而更新的速度决定了它能跟硬件跟得多紧。
表上的数字，停在了早上
解码器的工作，是根据一轮纠错测出来的那批校验结果，判断错误点位和纠错方式。它并不知道哪个比特出了错，只知道哪些校验翻转了，然后在能解释这组翻转的各种错误过程里，找出最可信 的那一种。"可信"需要依据，而依据是一张由各类错误的发生概率换算成的权重表，也就是前面说的先验，本文为方便就叫它概率表。如果两种错误过程都能解释同一组翻转，解码器就按表上的数字判断：在这台量子计算机上，哪一种解释更可信。
这张表从真实硬件上得来：在量子处理器上跑一批纠错实验，根据校验数据估计错误的规律，再据此设定权重。问题往往就出在这一步：表上的数字描述的是测量那天的硬件，而硬件不会停在那一天。
超导量子比特的频率会随温度和应力的微小变化偏移，偏移后与控制脉冲、与邻近比特的配合都跟着变，某些门的出错概率随之上升。量子芯片材料的界面里还藏着一类缺陷，它们的状态会随机切换，一个缺陷恰好与某个比特的频率接近时，那个比特的相干时间会突然变短，而后又恢复。门保真度则在长时间运行中缓慢退化。这些变化加在一起，概率表上的数字与真实硬件之间的差距越拉越大，解码器挑出的"最可信的解释"就越来越不可信。
Riverlane在技术文章里的说法是，噪声变了而权重没变，解码器的判断就会悄悄变差，纠错效果跟着下滑。
图1 硬件漂移如何让解码器的权重失准：缺陷开关、频率偏移、门保真度退化，表上的数字还停在校准时刻。 图源：量子前哨
把校准交给机器学习
解决办法听上去简单：定期重新测、重新填表。难点在于这件事本身很慢，慢到只能偶尔做一次。
Riverlane用的方法来自Google Quantum AI 2024年发表在《Physical Review Letters》上的论文《Optimization of decoder priors for accurate quantum error correction》。论文的思路与传统做法不同：传统做法从校验结果的统计规律去拟合权重，Google的方法直接以逻辑错误率为目标------哪组权重让解码器错得最少，就用哪组。
Google在Willow处理器低于阈值的那次实验里就用了这套方法学习权重。那次实验在真机上证明，纠错码做得越大，逻辑错误率反而越低，这是容错量子计算必须跨过的门槛，那篇论文是2024年《Nature》上的《Quantum error correction below the surface code threshold》。
具体怎么学，Riverlane也在技术文章中有详细说明：先从一个粗略的估计出发，系统不断提出新的候选权重，用同一批实验数据检验它们，再向逻辑错误率更低的方案调整，一轮一轮下去，权重逐渐贴合真实硬件，也贴合正在使用的那个解码器。面前还有一个现实问题：直接检验大规模纠错码的成本很高，需要先用小块的表面码学习局部的权重，再用到更大的目标码上。
这套方法已经在Google的Sycamore处理器上证明可行。Google也在论文中指出，运行时间是这个方法的主要限制之一。Riverlane这次做的，就是对着这个限制下手。
这个方法的代价也很明显：几乎全部时间花在解码上。一轮训练要解码几千到几千万组校验结果，70组候选权重各解一遍，在CPU上这就是那3分钟。
GPU上场
这里就轮到GPU上场了，而且上场的位置很具体。
校准里的每一次解码都是独立的：拿一组校验结果和一组候选权重，解码得到一个结果，彼此之间没有依赖。Riverlane把自家的Local Clustering Decoder改成一个线程解一组数据的形式，几万组数据在一块H100上同时求解。
相比单核CPU，表面码的解码吞吐从每秒约5.9万组升到每秒420万组，提升71倍；一轮训练从3分钟压到2.8秒，提速65倍。二者倍数不一样，是因为生成候选权重、更新猜测这些步骤GPU并不提供加速。
图2 H100与单核CPU的对比：表面码解码吞吐提升71倍，每轮训练时长压到2.8秒。 图源：Riverlane 2026
71倍是对单核CPU说的，更值得关注的是与32核的对照：32核把一轮训练加速到单核的23倍，不是32倍，原因是拆分任务和汇总结果的开销随核数增长；不过，一块H100仍比32核快3倍，而且解码跑在GPU上时，CPU还能空出来处理控制系统里的其他事项。
图3 H100与1至32核CPU的每轮训练时长对比：32核只比单核快23倍，H100仍快3倍。 图源：Riverlane 2026
有人可能会问，为什么不直接把物理上最准确的噪声模型填进表里？
这是因为解码器本身是近似的：为了在微秒级的时间窗口内给出答案，多数实用的解码器都做了简化，让它错得最少的那组权重，未必是物理上最真实的那组。以某个解码器的表现为目标优化出的权重，换到另一种解码器上不一定仍然最优。Local Clustering Decoder本来是Riverlane为实时解码设计的，这次搬到GPU上做校准，算法还是它，只是改成了一次并行解几万组数据的实现。
这组基准跑在一种常用的超导噪声模拟模型上，物理错误率0.3%，也就是说，它测的是模拟噪声下的速度，并非在真实量子处理器上做的闭环校准。
还有一点需要说明。校准和实时解码是两种工作负载。实时解码要持续跟上纠错数据产生的速度，在需要反馈时及时给出判断，Riverlane自己的Deltaflow系统为此走的是专用硬件；校准则可以把大量数据集中起来，比较不同权重的表现。
这项工作利用的是GPU处理后一类任务的优势。
Riverlane在技术文章当中总结：未来的容错量子计算机需要由GPU、FPGA和专用芯片组成的一整套经典计算系统，GPU负责学习和优化，专用硬件负责实时处理。两层的分工由此清楚：校准负责把权重学准，实时解码负责及时把它用上。
硬件不变，判断还能更准
学习后的权重，比起始的估计好多少？
Riverlane在文章中给的数字是：取决于起始估计和码的结构，逻辑错误率的降幅从百分之几到最多一半。更重要的是，这个提升没有改动任何一个量子比特。
硬件没变，门没变，解码器的算法也没变，变的只是那张概率表：它让解码器高效使用已有的数据。改善幅度取决于起始权重、噪声特征和所用的纠错码，GPU的作用是让寻找这组权重的过程快起来。
校准在一次实验里的位置，是夹在表征设备与正式运行之间的那段空档：先采一批数据，学出权重，再开始实验。空档里的每一秒，硬件都在继续漂，量子计算机也都在闲着。
校准越快，权重所反映的硬件状态就越接近它马上要面对的那一台。而速度改变的是校准的频次。
单轮训练快了几十倍，不等于整套校准几秒钟就能完成，一次校准要跑上百轮，整套算下来是从几小时缩到几分钟。Riverlane表示，几小时的循环只能一天跑一次，几分钟的循环就可以在每次实验前跑一遍，采集数据与使用权重之间的间隔缩短，中间漂移的余地也小。
同样的时间预算里，它能够训练得更久，学出更好的权重。对制造量子计算机的公司，这意味着量子计算机的闲置时间减少，逻辑性能不再无声下滑。
对超算中心和控制系统公司，则有更多的含义：它们本来就希望让量子计算、HPC和AI能够深度融合，QPU的旁边往往会有GPU，现在有了一件任务边界明确、可以直接交给GPU的事------解码器校准。
Riverlane在技术文章里还列了一串正在做同一件事的团队：包括英伟达、IBM以及一些高校团队。规模越大，这件事越躲不开。Willow那一代实验已经在上百个物理量子比特上做纠错，比特每多一批，要学的权重就多几千个；运算时间越长，噪声漂移的余地也越大。
解码器权重的学习与重学，正在从研究课题变成常规操作。
写在最后
综上，量子纠错需要一张描述硬件的概率表，这张表会过期，而把重学它的时间从几小时压到几分钟，让"每次实验前重学一遍"成了可能。
当校准快到每次实验前都能跑一轮，下一个问题自然就冒出来了：有没有可能在实验进行中就学？那将是一台一边工作、一边认识自己的量子计算机。
这条路会通向哪里，值得期待。
Reference：
https://www.riverlane.com/news/faster-decoder-recalibration-for-quantum-error-correction
https://doi.org/10.1103/PhysRevLett.133.150603
https://doi.org/10.1038/s41586-024-08449-y
「END」