# Google Research 推出量子控制典範適應飄移

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：Google Research (@GoogleResearch) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥 · 日期：2026-07-24

> 原始來源：https://x.com/googleresearch/status/2080001520410747307

## 證據與延伸閱讀

- [Google發布量子控制範式適應硬體飄移](http://goo.gle/4pw4tuE)

## 中文摘要

Google Research 推出量子控制典範適應飄移。

**核心技術與運作原理**

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/2e6eedee60412431.jpg)
> Google Research 標誌，中央帶有一個呈現多個科學研究領域（包含數位電路、顯微鏡下的研究人員、森林生態與衛星探測）的視覺圖塊，右上角延伸出一枚衛星圖示。

- Google Research 與 Google Quantum AI 團隊在發表於 Nature 的研究中，展示了一套結合強化學習（RL）與量子錯誤修正（QEC）的全新框架。

<video src="https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1784863286824-apbafgih.mp4" poster="https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/66305a811c2d162c.jpg" controls playsinline preload="metadata" style="max-width:100%;height:auto;display:block;margin:1rem 0"></video>
> 介紹量子處理器校準與強化學習應用的科普動畫影片，展示 Google Quantum AI 的技術概念。

- 傳統量子電腦極易受到硬體飄移與環境雜訊影響，必須完全中止量子運算才能重新校準控制參數；這項新技術則讓一個自主的 Agent 能從量子錯誤偵測事件中學習，在運算進行的同時持續動態調整數千個控制參數，實現「邊奏樂邊調音」的持續運作能力。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/84276a56b3263c57.png)
> 量子系統、古典控制器、學習代理與量子錯誤校正（QEC）解碼器之間的互動與資料流向架構圖。

- 錯誤偵測事件被賦予了雙重角色：除了原有的錯誤解碼與修正外，更成為主動學習的訊號，用來即時對抗系統飄移並預防新錯誤產生。

**實驗表現與縮放潛力**

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/72baec60fef48367.png)
> 結合強化學習微調（RL fine-tuning）的量子糾錯控制，在隨 QEC 週期增加時比傳統校準（Calibration）更能維持較高的邏輯可觀測量與系統穩定度。

- 研究團隊在旗艦超導處理器 Willow 上驗證了此方法，刻意注入人工飄移後，發現強化學習引導使錯誤修正程式碼的邏輯穩定度提升了 3.5 倍，並在專家校準的基礎上使邏輯錯誤率額外降低了 20%。

- 表面程式碼（surface code）中的邏輯錯誤率降至每千次錯誤修正循環不到一次，色碼（color code）則降至每百次不到一次。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/76b78281b0c7d882.gif)
> 結合強化學習與量子糾錯能在量子運算期間持續適應漂移並穩定系統，將邏輯穩定性提升了 3.5 倍。

- 透過數百個量子位元與數萬個控制參數的數值模擬，Google 確認此強化學習訓練所需的迭代次數與系統規模無關，證明該方法具備向更大規模量子系統擴展的可行性。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/71b283b02e5de5c8.png)
> 結合強化學習與量子糾錯的量子控制方法在不同量子位元規模（17 至 449 個量子位元）與訓練世代（Epoch 0 至 500）下，針對物理錯誤率與邏輯錯誤率的變化趨勢進行比較。

詳細技術內容可參考 Google Research 的官方[說明文章（`http://goo.gle/4pw4tuE`）](http://goo.gle/4pw4tuE)。

## 媒體內容

**結合強化學習微調（RL fine-tuning）的量子糾錯控制，在隨 QEC 週期增加時比傳統校準（Calibration）更能維持較高的邏輯可觀測量與系統穩定度。**

**數據表（1）左面板**

|   | 起始 | 結束 | 起始 | 結束 |
| --- | --- | --- | --- | --- |
| Calibration | 1.00 | 0.79 | 1.00 | 0.79 |

**數據表（2）右面板**

|   | 起始 | 結束 | 起始 | 結束 |
| --- | --- | --- | --- | --- |
| Calibration | 1.00 | 0.43 | 1.00 | 0.43 |

**結合強化學習與量子糾錯能在量子運算期間持續適應漂移並穩定系統，將邏輯穩定性提升了 3.5 倍。**

**數據表（1）面板 1**

| 項目 | 數值 |
| --- | --- |
| 聚類中心數 | 4（水平一字排列）, |

**數據表（2）面板 2**

| 項目 | 數值 |
| --- | --- |
| 聚類中心數 | 4（環形分布：上、下、左、右）, |

**數據表（3）面板 3**

| 項目 | 數值 |
| --- | --- |
| 聚類中心數 | 8（環形均勻分布）, |

**數據表（4）面板 4**

| 項目 | 數值 |
| --- | --- |
| 聚類中心數 | 16（環形均勻分布） |

## 標籤

研究論文, AI-native, Google, Google Quantum AI