5 月 25 日消息，美國耶魯大學和谷歌量子人工智能的研究人員首次實現對多能級量子系統的糾錯，且性能超過當前最佳的無糾正技術，成功突破了“盈虧平衡點”。

該成果為更高效的量子信息處理開辟了新途徑，相關論文已于 5 月 15 日發表于《自然》雜志（IT之家附 DOI:10.1038/s41586-025-08899-y）。

量子計算機的核心挑戰在于量子態的脆弱性 —— 環境干擾（噪聲）極易導致信息丟失。為此，量子糾錯（QEC）需將量子信息編碼為“邏輯態”以抵抗干擾。此前，糾錯技術僅在二元量子位（qubit）中實現過“盈虧平衡”（即糾錯后信息保真度優于未糾錯狀態）。

現今大多數量子計算機都使用量子比特 —— 一種可以同時處于 0 和 1 狀態的二能級量子系統，但量子比特還擁有通常不會被使用的額外能級。如果能夠充分利用這些能級，量子計算機將能夠獲得更強的處理能力。

在此次實驗中，科研人員首次實現了三元（qutrit）和四元（ququart）量子態的高效糾錯，不僅超越傳統二元量子位的性能，還突破了量子糾錯的“盈虧平衡點”。這一里程碑標志著未來量子計算機可能通過高維量子系統實現更高效的硬件架構和容錯計算。

據官方介紹，耶魯團隊采用戈特斯曼-基塔耶夫-普雷斯基爾（GKP）玻色編碼，將三元和四元邏輯量子態編碼于超導微波腔的周期性位移相位空間中，從而在單物理系統中存儲更多量子信息。

實驗顯示，糾錯后的 qutrit 和 ququart 信息存儲壽命分別比未糾錯態延長 82% 和 87%，增益系數達 1.82 和 1.87，與現有最優糾錯 qubit 性能相當甚至更優。

實驗裝置由鉭（transmon）超導量子比特與三維超導微波腔耦合構成。微波腔內的振蕩模式存儲邏輯態，鉭超導量子比特則作為輔助量子位協助編碼和糾錯。

為優化糾錯協議，研究團隊引入強化學習算法，讓 AI 代理自主調整實驗中的 45 個參數，以最大化量子存儲的保真度。這種無需物理建模的優化策略克服了傳統校準方法的復雜性。結果顯示，糾錯性能在多輪循環中保持穩定。

研究人員指出，多能級量子糾錯的優勢在于：

硬件精簡：單物理系統可承載更多邏輯態，減少計算所需的物理組件數量。

算法效率：高維結構有助于更高效地合成量子門、編譯算法及模擬復雜量子系統。此外，GKP 編碼的 qudit 可與現有超導系統兼容，支持未來架構的無縫升級。