Transformer 与基础模型译码

AlphaQubit 是 DeepMind 与 Google Quantum AI 的循环 Transformer 译码器，2024 年 11 月发表于 Nature：在真实 Sycamore 超导数据上，它的译码精度超过包括张量网络在内的全部已有算法译码器——神经网络路线第一次站上实用精度之巅。但它同时暴露了致命瓶颈：训练数据需求随码距离指数增长。随后的应对构成了"基础模型译码"这条新线：NTU 的跨距离迁移学习把训练算力指数降下来，DeepMind 的实时化版本攻吞吐，Google 的强化学习译码器（Nature 2026）更进一步把译码与控制校准合并成一个在线运行的运行时。

AlphaQubit：架构与关键数字

架构按纠错轮迭代：一个时间不变的循环计算块（CNN+Transformer）逐轮消化测量结果，每个稳定子一个嵌入向量 $S_{ni}$ 直接加进 decoder state，输出为每个逻辑可观测量的翻转概率——校准过的概率输出可作置信度，支撑后选择Bausch et al. 2024 (Nature)。输入表征用测量结果+探测事件（比只用事件更易训练），并可无缝扩展软信息：I/Q 读出概率（以信噪比与归一化测量时间参数化的衰减模型）、泄漏概率——这些模拟量正是传统译码器难以利用的部分。

图:AlphaQubit 架构与码布局——按轮迭代的循环 Transformer 块,每个稳定子的测量结果编码为嵌入向量加入解码状态,输出各逻辑可观测量的翻转概率;下为 Sycamore 表面码 patch(来源:QE262)

在真实 Sycamore 数据上（$d=3$ 与 $d=5$）：逻辑错误率 $2.901(23)\%$ 与 $2.748(15)\%$，均优于最强算法基线张量网络译码器的 $3.028\%$ 与 $2.915\%$，误差抑制因子 $\Lambda =1.056$ 对 $1.039$。模拟（Pauli+ 噪声、SI1000 类）$d=11$ 时每轮逻辑错误率 $5.37\times 10^{-6}$，优于相关匹配 MWPM-Corr 的 $6.74\times 10^{-6}$；$d=3\to 11$ 全程 $\Lambda =4.28\pm 0.02$。抗泄漏：$0.1\%$ 泄漏下 $d=7$ 逻辑错误率仅增约 30%（MWPM 增 60–80%）。置信度后选择：拒掉 0.2% 样本即可把错误率降约 10 倍（拒 10% 降约 250 倍）。最关键的鲁棒性证据：只用 25 轮训练，精度在 100,000 轮的连续纠错中保持——循环结构带来的时间外推能力Bausch et al. 2024 (Nature)。

图:真实 Sycamore 数据上的逻辑错误率对比——AlphaQubit(d=3: 2.901%, d=5: 2.748%)优于张量网络译码器(3.028%/2.915%)与各匹配译码器,Λ 因子同步提升(来源:QE262)

训练数据指数墙与基础模型范式

AlphaQubit 的训练协议是”Pauli+ 模拟数据预训练 + 实验数据微调 + 多模型集成”。但样本需求随距离指数爬升：$d=3\to 11$ 需要约百倍样本，外推 $d=25$ 需要 $10^{13\text{–}14}$ 量级样本——直接训练在大距离上不可行，必须转向”预训练一个基础译码器、到硬件上微调”的范式Bausch et al. 2024 (Nature)。这正是后续两条技术线的出发点。

NTU：用尺度不变性做跨距离迁移

NTU（neural transfer unification，NTU/SUTD 的 Yan、Li、Xiao 等）的观察是：表面码与准循环 BB 码的探测子代数坐标 $v=x^i{y}^j{t}^r$ 在距离改变时平移不变——邻域模板 $\mathcal{M}(x,y,t;d)$ 不随 $d$ 变。于是架构解耦为尺度不变的局部感知 backbone（小码上学的参数直接搬到大码）+尺度相关的全局决策层（迁移后微调）+ 几何感知旋转位置编码（RoPE）。效果：训练计算指数 $\Gamma$ 从头训练的 1.64 降到 1.51；冷启动平台期消失——从头训练的 $d=19$ 模型 2000 步仍卡在 50% 精度，迁移初始化即刻收敛；$d=19$（$[[361,1,19]]$）超过 correlation-aware matching，迁移到 $[[625,1,25]]$ 超过标准匹配，BB $[[72,12,6]]$ 低错误率区超过 Relay-BPYan et al. 2026 (arXiv)。

图:NTU 的三重论证——a:表面码与 BB 码的局域拓扑邻域具尺度不变性;b:译码网络解耦为尺度不变局部感知+尺度相关全局决策层,注意力热图在 d=15 与 d=19 上一致;c:迁移把训练算力指数 Γ 从 1.64 压到 1.51,绕开冷启动平台期(来源:QE280)

实时化：滑动窗口与并行

AlphaQubit 原型并非实时译码器；DeepMind 2025 年 12 月的续作给出可扩展实时版本：滑动窗口并行、GPU 吞吐设计，面向拓扑码实时纠错Senior et al. 2025 (arXiv)。并行窗口的自协调版本（各窗口译码器互相校准边界决策）同期刊出Zhang et al. 2026 (arXiv)；混合专家视觉 Transformer 则把架构开销进一步压缩Nguyen et al. 2026 (ISIT)。实时部署的完整图景见real-time-decoding。

RL 运行时：校准与计算合一

Google 与 DeepMind 2026 年发表于 Nature 的强化学习译码器走了更远的一步：探测事件流既用于译码，又作为 RL 智能体的学习信号，持续在线调整控制参数——校准与计算合一，免停机。策略从错误检测事件反推控制参数漂移（探测器到控制空间的敏感度映射）；在 Willow 芯片的表面码实验中，注入漂移下逻辑稳定性提升 3.5 倍；合成全部技术后表面码与色码平均每周期逻辑错误率达 $7.72(9)\times 10^{-4}$ 与 $8.19(14)\times 10^{-3}$（当时的纪录值）；数万控制参数的大码仿真验证了可扩展性。论文并论证：深低于阈值区仅靠计量学+定向校准将不可行，需要模型无关的 in-context 微调——QEC 自适应控制的新叙事Sivak et al. 2026 (Nature)。附录将该数据与 Sparse Blossom、Tesseract、AlphaQubit 式译码做了系统对比。

生态注脚与批判

即时解码超图（just-in-time decoding hypergraph）让译码图随电路在线生成，支撑自适应纠错Ziad et al. 2026 (arXiv)。批判侧，同属 NTU 系统的 Rethink 论文对神经译码器的真实增益提出系统性质疑（见neural-network-decoding）：基础模型路线的算力账、泛化账与增益账仍需在严格基准上持续核验Yan, Li & Du 2026 (arXiv)。

延伸阅读

• neural-network-decoding
• real-time-decoding
• google-willow
• decoding-toolchain-benchmarks
• surface-code-threshold