英伟达伊辛解码器将量子错误率降低为1/347
加入技术交流群
英伟达公布一组基准测试数据：自研伊辛（Ising）解码器可将三角量子色码的逻辑错误率降低为1/347.7，端到端解码耗时缩短 1/7.33。本次对比测试采用码距 31、物理错误率 0.3% 的参数，以开源色码解码器 Chromobius 作为基准对照。相关数据均来自仿真与解码器基准跑分，并非在实体量子处理器上实测得出。
量子纠错技术将大量易出错的物理量子比特组合为逻辑量子比特，以此稳定存储信息、实现可靠量子运算。表面码是当前主流纠错方案，其错误校验子结构简单、解码难度低，但执行部分逻辑门运算时，需要晶格手术、魔态蒸馏等高成本复杂流程。
量子色码则有着截然不同的性能取舍优势：可横向实现全部克利福德门运算，大幅简化部分晶格手术操作；短板在于校验子的快速、高精度解码难度更高。2026 年 3 月一项理论研究证明，色码精确最小权重解码属于 NP 难问题，这也凸显了启发式近似解码方案的实用价值。
本次研究拓展了英伟达 4 月发布的伊辛算法体系，彼时EEPW曾报道英伟达面向量子校准与量子纠错推出开源 AI 模型。
码距越大，解码精度与运算速度提升越显著
该方案在 Chromobius 解码器前端嵌入局部三维卷积神经网络作为预解码器。预解码器可识别并清除大量时空局部错误校验子，留给后端全局解码器的运算负载大幅精简。
研究团队表示，该神经网络能够直接输出物理纠错操作，而非仅预判逻辑失效，可无缝适配分块并行解码、晶格手术等主流容错计算架构。
在码距 31、物理错误率 0.3% 测试条件下，这套混合解码链路实现了 347.7 倍逻辑错误率降幅与 7.33 倍运算提速。论文指出，即便各神经网络模型采用固定感受野训练，整体性能增益仍会随码距扩大持续提升。部分测试场景中，预解码器可在进入 Chromobius 解码阶段前消除超 99% 的校验子错误。
配图说明：随码距提升，MB+Chromobius 混合解码链路相比原生 Chromobius，逻辑错误率更低、运算耗时更短。图源：英伟达
本次耗时测试硬件配置：神经网络推理搭载英伟达 GB300 GPU，启用 TensorRT 加速与 FP8 精度推理；Chromobius 解码程序运行于格雷斯（Grace）Neoverse-V2 架构 CPU。文中给出的加速比为这套 GPU-CPU 混合链路实测结果，实际提速幅度会随硬件型号、网络层数、噪声分布、解码器参数配置发生变化。
英伟达开放伊辛解码器全套开源资源
高速版伊辛神经网络共 17 层，感受野尺寸 13，模型参数量约 290 万。英伟达现已公开模型权重、仿真数据集生成工具与完整训练流程，研发人员可针对特定量子处理器、噪声模型调优解码器性能。
整套训练链路基于 Apache 2.0 开源协议发布，底层依托 cuQuantum、cuStabilizer 量子计算库与 PyTorch 深度学习框架搭建。
相关研究论文已于 2026 年 7 月 11 日上传至预印本平台 arXiv。研究结论表明：AI 预解码技术能够显著提升量子色码在容错量子计算场景的竞争力；但该论文基准纯量子存储测试中，表面码方案仍具备物理量子比特占用更少的优势。
评论