編按：本文綜合整理自 Ars Technica 報導、Nature 原始論文，並加入 Siami 編輯部觀點與分析。
Google Quantum AI 與 Google DeepMind 團隊於 2026 年 7 月 8 日發表於《Nature》期刊的論文 〈Reinforcement learning control of quantum error correction〉，展示了一套能讓量子處理器「邊算邊校正」的強化學習系統。這項技術在兩個邏輯量子位元的實驗中，使錯誤偵測與修正能力提升 20%，且無需中斷正在進行的運算。
量子校準為何是瓶頸
超導量子位元（transmon）需要透過精密的微波脈衝控制，但每顆量子位元的最佳頻率與振幅都有細微差異。Google 目前的做法是事先執行「校準程序」，掃描所有可能的微波參數組合，找出錯誤率最低的設定後儲存。
然而這個流程有兩個致命限制：
- 校準與運算互斥，無法同時進行
- 硬體長時間運轉會升溫漂移，導致原本的「最佳設定」漸漸失效
「錯誤處理的兩難在於：傳統校準只能關機時做，但實用級量子演算法一跑就是幾小時甚至幾天。」
Google 工程師在論文中直言，目前遇到漂移跡象時，系統會直接停止計算並重新校準。對於未來要破解現代加密或模擬分子的複雜演算法而言，這種中斷完全不可接受。
強化學習如何接手校準
Google 的解法出乎意料地直觀：既然錯誤修正（error correction）過程中本來就會偵測到錯誤，那為什麼不讓同一份錯誤資訊同時用於校準？
關鍵創新在於團隊訓練了一個強化學習（RL）代理，具體做法如下：
- 系統同時對約 1,000 個控制參數施加小幅隨機擾動
- 觀察錯誤偵測事件的統計變化
- 根據變化推導「調整哪些參數能減少特定錯誤類型」
- 即時調整、不中斷運算
實驗在兩個邏輯量子位元上測試（一個用 surface code、一個用 color code），結果顯示啟用 RL 校準後，錯誤偵測與修正的整體效能提升 20%。
真實時間校正的探索-利用權衡
RL 系統無法每個控制參數都隨機亂試 — 那會讓運算結果完全失真。團隊需要解決機器學習經典難題：探索-利用權衡（exploration-exploitation trade-off）。
即使小幅擾動也意味著多數時候系統運行在「次優」狀態，這是否值得？團隊透過大量模擬驗證：只要漂移速度夠慢，頻繁的次優校正累積表現仍優於無 RL 介入。
在更大型的實驗中，RL 系統控制約 40,000 個參數，這已接近實際生產級量子電腦的控制規模。
為什麼這件事重要
這項研究的意義超越「校準技術改良」，它揭示了 ML 在硬體即時控制上的全新典範：
- 運算與維護合一：傳統系統把校準視為「事前準備」，這套系統讓硬體在運算過程中自我調整。這跟傳統 ML「訓練完就部署」的思路完全相反。
- 解鎖長時間演算法：破解 RSA-2048 或模擬大分子所需的演算法，運行時間遠超當前硬體的漂移容忍度。沒有動態校正，這些應用根本無法實現。
- 跨硬體遷移可能：論文中提到雷射控制的中性原子量子位元同樣有漂移問題，這套方法理論上可遷移至其他量子硬體平台。
值得一提的是，這已是 Google 團隊第二次把量子錯誤率推向新低點 — 2024 年他們首次將 surface code 錯誤率壓到閾值以下（arXiv:2408.13687），2026 年再以 RL 達成即時校正。兩年內連續突破說明 Google 在量子工程化上正以系統化方式推進。
數據解讀與質疑
20% 的提升幅度需要放在脈絡下看：
- 這是在「不中斷運算」前提下達成的，工程難度遠高於離線校準
- 邏輯錯誤率基線約為 7.72 × 10⁻⁴（Quantum Zeitgeist 報導），20% 提升意味著錯誤率降至約 6.18 × 10⁻⁴
- 對比 2023 年的 surface code 閾值突破，這次的提升看似溫和，但解決的問題性質完全不同：前者是「能不能糾錯」，後者是「能不能邊算邊糾錯」
仍待解決的限制：
- RL 校正只在「漂移速度慢於訓練收斂速度」時有效 — 對極端溫度變化或突發干擾仍無能為力
- 論文中提到的 40,000 個參數是目前實驗規模，實際生產系統可能有數百萬個參數，可擴展性待驗證
- 訓練 RL 代理本身需要時間與算力，並非「裝上去就能用」的即插即用方案
社群反應方面，Google Quantum AI 官方 X 帳號在發表當天發文 〈Unified calibration with computation〉，強調這是「為實用量子電腦鋪路」的關鍵節點。LinkedIn 上多位量子計算研究者（如 Michaela Eichinger）將其列為「最喜愛的 AI-for-量子應用之一」，認為這類研究的跨領域整合價值被嚴重低估。
研究素材
- 原始論文：Nature: Reinforcement learning control of quantum error correction（DOI: 10.1038/s41586-026-10759-2）
- arXiv 預印本：arXiv:2511.08493
- 主流外媒報導：The Quantum Insider、PostQuantum.com
- 官方研究頁：Google Quantum AI Research
- 官方社群：Google Quantum AI on X
- 相關突破：Google 2024 surface code 閾值突破（arXiv:2408.13687）
網友熱門留言 (4)