# ETH Zurich demonstrates 17,000 qubit array with 99.91% fidelity

> 来源：[HackerNews](https://ethz.ch/en/news-and-events/eth-news/news/2026/04/a-new-trick-brings-stability-to-quantum-operations.html)

# ETH Zurich demonstrates 17,000 qubit array with 99.91% fidelity

> 苏黎世联邦理工学院（ETH Zurich）的研究团队近日在量子计算领域取得了一项里程碑式的突破：他们成功演示了一个包含**17,000个物理量子比特**的阵列，并实现了平均**99.91%的单比特门保真度**。这一成果不仅刷新了量子比特规模与精度的记录，更通过一种创新的“稳定化技巧”，为解决量子系统在扩展过程中的退相干与串扰问题提供了全新的思路。

## 背景与概述

量子计算，这个被誉为“下一代计算革命”的领域，其核心挑战在于如何构建一个足够大、足够精确且足够稳定的量子系统。量子比特（Qubit）是量子信息的基本单元，但其脆弱性（即“退相干”）使得它们极易受到环境噪声的干扰而丢失信息。长期以来，量子计算的研究都在这两个维度上艰难推进：**规模（Scale）** 与 **精度（Fidelity）**。增加量子比特数量，往往会引入更多的噪声和串扰，导致操作精度下降；而追求高精度，又常常受限于当前物理系统的可扩展性。

此前，业界领先的量子计算公司（如谷歌、IBM）和顶尖研究机构，大多在数百到数千个量子比特的规模上，追求99.9%以上的操作保真度。然而，将这一精度水平保持到数万个量子比特的规模，一直被视为一个巨大的技术鸿沟。苏黎世联邦理工学院的这项最新研究，正是跨越这一鸿沟的关键一步。他们不仅展示了前所未有的规模，更重要的是，其高达99.91%的单比特门保真度，证明了大规模量子系统在保持高精度方面的可行性，为未来构建实用化、可纠错的大规模量子计算机铺平了道路。

## 核心内容

这项突破性成果的核心，可以归纳为以下几个要点：

**1. 规模与精度的双重突破**
研究团队演示的系统包含了惊人的**17,000个物理量子比特**，这比目前公开报道的、具有高保真度的量子处理器规模高出一个数量级。更令人瞩目的是，在如此庞大的系统中，他们实现了平均**99.91%的单比特门保真度**。这个数字意味着，对单个量子比特进行的基本操作，其错误率低于0.1%。这是迈向“量子纠错”门槛（通常要求单比特门保真度>99.9%）的关键指标，表明该系统已经具备了作为未来逻辑量子比特（由多个物理比特通过纠错编码构成）底层硬件平台的基础质量。

**2. 创新的“动态稳定化”技巧**
这项研究的精髓，在于他们采用了一种新颖的“动态稳定化”方法。传统的量子比特稳定方案，如动态解耦（Dynamical Decoupling），主要通过施加一系列精心设计的脉冲来“过滤”环境噪声。ETH团队的方法更进一步，他们**实时监测**系统中每个量子比特的“频率漂移”（这是导致退相干和串扰的主要因素之一），并动态地、自适应地调整施加在每个量子比特上的控制脉冲参数（如频率、相位和幅度），从而主动将其“锁定”在最佳工作点上。这好比为每个量子比特配备了一个智能的“主动悬架系统”，能够实时抵消路面（环境噪声）带来的颠簸。

**3. 克服大规模阵列的串扰难题**
当量子比特被密集地集成在一个芯片上时，它们之间的非预期相互作用（串扰）会急剧增加，成为限制保真度的主要瓶颈。ETH团队的方法巧妙地解决了这一问题。通过高精度的实时频率跟踪和补偿，他们能够有效抑制由于量子比特频率过于接近而引发的串扰。实验数据显示，采用该稳定化技巧后，相邻量子比特间的串扰错误降低了近一个数量级，这是实现万级比特阵列高保真度的关键。

**4. 技术路径的普适性**
虽然研究论文的细节（基于原文链接推断）可能聚焦于特定的量子比特实现方式（如超导量子比特或离子阱），但研究人员强调，这种“动态稳定化”的核心理念——**实时反馈与自适应控制**——是一种平台无关的通用方法。这意味着它不仅适用于他们当前的实验平台，也为基于硅自旋量子比特、中性原子等其他物理体系的大规模扩展提供了极具价值的参考方案。

## 技术分析

从技术实现角度看，ETH Zurich的这项成果可以看作**经典控制工程与量子物理的深度结合**。其架构和思路大致如下：

**系统架构：**
1.  **量子硬件层**：包含17，000个物理量子比特的阵列，集成在精心设计的量子芯片上。
2.  **实时感知层**：一套高速、并行的测量系统，能够持续、非破坏性地监测每个量子比特的共振频率等关键参数的状态。
3.  **智能控制层**：这是核心。一个强大的经典处理器（可能是FPGA阵列）运行着自适应控制算法。该算法接收来自感知层的实时数据流。
4.  **反馈执行层**：根据控制算法输出的结果，实时生成并施加经过微调的微波或激光控制脉冲到每一个对应的量子比特上，完成纠偏。

**实现思路：**
其核心算法可以简化为一个闭环反馈控制循环。我们可以用一个高度简化的伪代码概念来描述其对一个量子比特的控制周期：

```python
# 伪代码概念：自适应量子比特稳定控制循环
class AdaptiveQubitStabilizer:
    def __init__(self, qubit_id):
        self.qubit_id = qubit_id
        self.target_frequency = ...  # 标称工作频率
        self.current_correction = 0  # 当前频率修正值

    def stabilization_cycle(self):
        while True:
            # 1. 实时感知：非破坏性测量当前量子比特的实际频率
            actual_freq = self.measure_frequency(self.qubit_id)

            # 2. 计算误差：与目标频率的偏差
            freq_error = actual_freq - self.target_frequency

            # 3. 自适应算法：根据历史误差和当前误差计算新的修正值
            #    这里可能使用PID控制、卡尔曼滤波或更先进的机器学习模型
            new_correction = self.adaptive_controller.update(freq_error)

            # 4. 反馈执行：将修正值应用到下一个控制脉冲中
            self.apply_corrected_pulse(self.qubit_id, new_correction)

            # 更新状态，等待下一个周期
            self.current_correction = new_correction
            wait_for_next_cycle()
```

在实际系统中，这个循环以极高的速度��通常在微秒甚至纳秒量级）并行运行在成千上万个量子比特上。挑战在于感知的精度、控制延迟以及并行处理的海量数据。ETH团队的成功，表明他们在这些工程难题上取得了决定性的进展。

## 实践建议

对于关注量子计算发展的开发者和研究人员，这项成果带来了几点重要的启示和实践方向：

**1. 关注“经典-量子协同”设计**
未来的量子计算系统绝非纯粹的量子设备，而是一个**紧密耦合的经典-量子混合系统**。经典控制系统的性能（计算速度、延迟、算法智能度）将直接决定量子硬件的最终表现。开发者，特别是系统软件和硬件协同设计领域的专家，可以提前布局，研究适用于量子测控的实时操作系统、低延迟通信协议和高性能反馈控制算法。

**2. 探索量子纠错（QEC）的早期实践**
当单比特门保真度稳定超越99.9%，并且两比特门保真度也达到足够高的水平时，实施量子纠错编码就成为可能。开发者现在可以开始更深入地学习QEC理论（如表面码），并利用现有的量子计算云平台（如IBM Quantum、AWS Braket）提供的模拟工具，对包含数百甚至数千个逻辑量子比特的纠错电路进行模拟和算法研究，为未来真正的纠错量子计算机做好准备。

**3. 利用云平台验证新想法**
虽然我们无法直接操作17，000量子比特的机器，但我们可以利用现有云平台上的中等规模（127-1000+量子比特）设备，来测试和验证与稳定性、串扰抑制相关的算法思想。例如，可以设计实验来表征特定芯片上量子比特的噪声特性，或者尝试实现简化版的自适应校准程序。

```python
# 示例：使用Qiskit在IBM Quantum平台上进行简单的频率扫描实验（概念性）
from qiskit import QuantumCircuit, execute, Aer
from qiskit.providers.fake_provider import FakeWashington # 一个模拟后端，用于演示
import numpy as np

# 注意：真实频率扫描需要更底层的脉冲级控制，这里仅展示电路级概念
backend = FakeWashington() # 使用一个模拟127量子比特的后端
qubit_index = 0

frequencies_to_test = np.linspace(-0.1， 0.1， 21) # 测试频率偏移量
results = []

for detuning in frequencies_to_test:
    qc = QuantumCircuit(1, 1)
    # 在实际脉冲实验中，这里会施加一个带有特定频率失谐(detuning)的驱动脉冲
    qc.rx(np.pi, 0) # 这里用固定的RX(pi)门代替，实际应为可调频率的脉冲
    qc.measure(0, 0)
    # 执行作业...