Majorana 2 重新定义量子计算：AI 代理成为系统操作者

微软的 Majorana 2 量子处理器代表了量子计算策略的根本性转变。尽管该公司长期以来一直追求拓扑量子比特，因其理论上对噪声具有抵抗力，但在众多量子比特上维持相干性的实际挑战始终是瓶颈。Majorana 2 的核心创新在于集成了一个名为“Discovery”的 AI 代理，它能持续监控量子系统、预测退相干事件，并在无需人工干预的情况下施加校正脉冲。这改变了操作范式：AI 不再是模拟工具或校准助手，而是量子硬件的主要操作者。早期内部基准测试表明，与手动校准相比，Discovery 将错误率降低了一个数量级，并且系统能够自动适应环境变化。

技术深度解析

微软的 Majorana 2 处理器基于拓扑量子比特设计，将信息编码在非阿贝尔任意子中——这些准粒子在专门设计的纳米线系统中涌现。其关键优势在于，拓扑量子比特通过非局域编码天然免受局部噪声影响，但并非对所有错误免疫。维持相干性需要对栅极电压、磁场和温度进行精确控制。历史上，这种校准一直是一个手动、劳动密集型的过程，每当环境条件发生变化时都必须重复进行。

“Discovery” AI 代理从根本上改变了这一点。它是一个强化学习系统，在量子处理器的数字孪生体上训练——这是一个高保真模拟器，能够模拟 Majorana 纳米线的物理动力学，包括噪声源、串扰和材料缺陷。该代理的架构结合了用于时间预测的循环神经网络（RNN）和输出校正电压脉冲的策略网络。它以大约 10 微秒的控制循环周期运行，这足以抵消主要的退相干机制（在当前原型中，拓扑量子比特的 T1 和 T2* 时间约为 100 微秒）。

最具创新性的方面之一是“自监督预训练”阶段：在部署到真实硬件之前，Discovery 在一个由随机噪声扰动数字孪生体生成的模拟故障模式库上进行训练。这使得代理能够遇到并学习纠正那些在有限真实世界数据集中可能不会出现的罕见错误事件。一旦部署，它通过在线学习持续微调其策略，使用一个奖励函数，该函数最大化定期测量的参考量子态的保真度。

对于对开源生态系统感兴趣的读者，最接近的类比是 Qiskit Dynamics 仓库（GitHub，约 1,200 星），它提供了一个模拟量子控制脉冲的框架，但不包含自主代理。TensorFlow Quantum 库（GitHub，约 1,800 星）提供了用于混合量子-经典机器学习的工具，但并非为实时控制而设计。微软尚未开源 Discovery，但其底层原理与加州理工学院和麻省理工学院团队关于“自驱动量子实验室”的最新研究一致。

| 指标 | 手动校准 | Discovery AI 代理 | 改进倍数 |
|---|---|---|---|
| 单量子比特门保真度 | 99.2% | 99.95% | 错误率降低 15 倍 |
| 双量子比特门保真度 | 98.5% | 99.7% | 错误率降低 5 倍 |
| 相干时间 (T2*) | 85 µs | 120 µs | 提升 1.4 倍 |
| 每量子比特校准时间 | 4 小时 | 12 秒 | 快 1,200 倍 |
| 对新噪声分布的适应 | 手动重新校准（数天） | 自动（数分钟） | 持续运行 |

数据要点： 表格显示，最显著的提升并非原始保真度（虽有改善但幅度适中），而是操作效率——校准时间从数小时降至数秒，并且系统无需人工干预即可适应环境变化。这正是使从数十个量子比特扩展到数千个成为可能的关键。

关键参与者与案例研究

微软一直是唯一追求拓扑量子比特的主要玩家，这是一种高风险、高回报的策略，由于制造和控制 Majorana 零模的难度而面临质疑。Majorana 2 的发布证明了这一赌注的正确性，但真正的差异化因素在于 AI 代理。竞争对手正采取不同的路径：

- Google Quantum AI（Sycamore、Willow 处理器）使用超导量子比特，并采用表面码纠错方法。他们最近的“Willow”芯片展示了低于逻辑量子比特阈值的错误率，但校准仍然是一个需要定期重新调整的手动过程。Google 已发表使用神经网络进行分类读出的工作，但并非用于实时控制。
- IBM（Condor、Heron 处理器）也使用超导量子比特，并在零噪声外推等错误缓解技术上投入了大量资金。其 Qiskit 平台包含一些自动化校准例程，但这些是基于规则的，而非代理驱动。
- Quantinuum（H 系列离子阱处理器）目前实现了最高的门保真度（99.9% 以上），但离子阱速度较慢且更难扩展。他们使用经典优化进行脉冲整形，但不进行连续的自主控制。
- PsiQuantum（光子量子比特）通过瞄准硬件层面的容错来避免纠错，但他们的方法需要从数百万个量子比特起步，因此是一个更长期的赌注。

| 公司 | 量子比特类型 | 纠错策略 | AI 集成 | 当前量子比特数 | 估计逻辑量子比特保真度 |
|---|---|---|---|---|---|
| 微软 | 拓扑（Majorana） | AI 代理 (Discovery) + 拓扑保护 | 深度集成，实时控制 | 未公开 | 高（基于拓扑保护） |
| Google | 超导 | 表面码 | 仅用于读出分类 | 数十至数百 | 低于阈值 |
| IBM | 超导 | 错误缓解 + 表面码 | 基于规则的自动化 | 数百 | 中等 |
| Quantinuum | 离子阱 | 表面码 | 经典优化 | 数十 | 最高（>99.9%） |
| PsiQuantum | 光子 | 硬件级容错 | 无 | 数百万（计划中） | 目标容错 |

时间归档

延伸阅读

常见问题

这次公司发布“Majorana 2 Redefines Quantum Computing: AI Agent Becomes the Operator”主要讲了什么？

Microsoft's Majorana 2 quantum processor represents a fundamental shift in quantum computing strategy. While the company has long pursued topological qubits for their theoretical r…

从“How does Microsoft's Discovery AI agent compare to Google's Sycamore calibration methods?”看，这家公司的这次发布为什么值得关注？

Microsoft's Majorana 2 processor is built on a topological qubit design that encodes information in non-Abelian anyons—quasiparticles that emerge in a specially engineered nanowire system. The key advantage is that topol…

围绕“What are the specific error rates of Majorana 2 topological qubits with and without AI correction?”，这次发布可能带来哪些后续影响？

后续通常要继续观察用户增长、产品渗透率、生态合作、竞品应对以及资本市场和开发者社区的反馈。