逻辑错误率降低347倍，英伟达让颜色码重回量子纠错牌桌

量子计算应用有个难点，就是不仅是制造更多的量子比特，还有就是如何持续、快速地纠错。

2026年7月13日，NVIDIA发布了一篇关于介绍面向颜色码的Ising Decoder ColorCode 1模型的技术博客。

这个模型不是简单的替代传统的颜色码解码器，而作为一个基于三维卷积神经网络的“预解码器”。也就是说，Ising Decoder ColorCode 1先粗略清洗掉许多局部错误，然后再将其剩余问题交给最准最先进的颜色码解码器Chromobius。

在模拟高距离（d＝31）色码内存阵列以及电路级的物理错误率为0.3%的基准测试中，AI驱动的预解码器比经典最先进的颜色码解码器Chromobius的逻辑错误率降低347.7倍，处理时间也快了7.3倍。

而且，性能增益没有随着码距增加而消失，反而整体上更为明显。这些结果使颜色编码重新聚焦，有望用于构建和运行真正有用的量子计算机。

颜色码为什么值得重新讨论

有用的量子计算机需要容错逻辑操作。研究人员正寻求多种不同的量子纠错（QEC）编码以达到有用的量子计算机的目标，从而提升量子处理单元（QPU）的逻辑错误率。

目前学界和业界投入的有效方案的大致可分为两类。

第一类是拓扑码（Topological Codes），其中最具代表性的就是表面码，也是目前各家硬件开发商如谷歌、IBM等大厂的选择，主要是因为表面码具有很高的错误阈值且仅需近邻的二维连通性。

另一类是近年来非常火热的量子低密度奇偶校验码（qLDPC），它最大的特点则是恒定的编码率，用最少的物理内存比特达到极高的纠错上限。

除了表面码，颜色码也是另一种广为人知的拓扑码。为实现同样的目标逻辑失效率，它们所需要的物理量子比特数目比表面码多很多，但是它们能够横向执行所有克利福德门而且表示具有对称性，因此可以简化晶格操作。

鉴于颜色码解码要比表面码解码更困难，所以颜色码一直被搁置，原因是缺少快且准的解码器，无法让用户实时地使用这些编码。

如果快而又准的解码器能拿出来，可能会有某些参数区间使得带有颜色编码的逻辑比带有表面编码的逻辑要更高效。

AI预解码器

Ising解码器未完全抛弃现有的经典解码算法，而是选择了“AI+算法”协同作战的思路。

NVIDIA开发了一个名叫Ising Decoder ColorCode 1 Fast的轻量级AI预解码器，实际上是一个有17层、约290万个参数的三维卷积神经网络（CNN）。

在实际工作流中，这个预解码器部署在传统解码器之前，核心机制是预解码稀疏化。具体可以分为两个阶段：

第一部分就是AI预解码器。AI预解码器接收多个综合征测量轮次形成的三维时空数据，预测数据量子比特上的空间修正，以及稳定子的测量的时间修正，这样就可以得到一个“稀疏化”过的简单综合征图。

第二部分则利用Chromobius去处理预解码后的残余综合征，最终判断是否需要翻转逻辑可观测量。

上述这种AI预筛+Chromobius的混合架构，是逻辑错误率降低300多倍的根本之处——不是单纯的AI牛，是通过协作把误报率降下去了。

在d=31、物理错误率p=0.003（这已经是表面码阈值边缘附近的数据了，颜色码用传统解码早就跪掉了）的基准测试中，Ising Decoder ColorCode 1 Fast的预解码器配以Chromobius，将逻辑错误率降低347.7 倍，处理时间加快了7.3倍。

同时，AI的预解码器的处理步骤是局部性的，其运算速度独立于全局系统规模，因此又可以将其推广到任何码距的大小上。

而且，这也说明，在特定的物理错误阈值下，通过纯经典算力的前置爆发，原本的解析瓶颈被打穿，颜色码就有了构建实用型量子计算机的可能。

开源野心与开发者生态

除了性能，NVIDIA还提供了仅需要约20行Python代码，开发者就能很快搭建一套距离d=5，含有电路级噪声（Si1000模型，超密集合取综合征，基本物理错误率设为0.3%）的测试评估流。

这个训练架构深度依赖于底层cuQuantum（专门针对张量网络和状态向量模拟加速的SDK），以及在PyTorch之上的生成合成训练数据的cuStabilizer库。这也体现了AI+量子纠错中一条至关重要的设计思路——权衡的艺术。

世界上没有一个解码器适合所有的量子芯片。因为每一个供应商的QPU其底层的错误偏差和往返延迟预算是完全不同的。而Ising架构却允许用户针对自己的硬件特有的噪声特性生成合成数据，实现“按需定制”。

此外，由于三维卷积神经网络模型预测的是完整的时空修正且具有局部性约束，不会受到输入网格尺寸和几何结构的限制，可以无缝地扩展到任意码距，非常适合未来大规模扩展下基于空间分区的并行晶格手术实时纠错。

而且，NVIDIA Ising系列完全开源的。NVIDIA完全按照Apache 2.0协议直接公开了预训练权值、训练食谱（Recipes）、基准数据以及模型代码（GitHub repo）。

可以说，NVIDIA正在打造量子时代的底层生态。无论你开发哪种底层硬件，只要你用AI来做量子纠错，你的训练和推理就大概率绕不开NVIDIA的GPU与CUDA-Q框架。

AI for QEC

反观国内，也有些企业对AI for QEC进行探索。

例如隧穿智元，孵化于清华大学计算机系，汇聚了原达摩院量子实验室核心研发班底，创造性地将卷积神经网络（CNN）与全局解码器结合，实现了从量子指令集到解码架构的关键性技术突破。

更重要的是，隧穿智元推出的基于神经网络的实时解码方案，更是将解码能力提升到d=25，超越了Google和DeepMind长期保持的d=11水平。

总的说来，AI for QEC也是量子纠错未来发展的一个重要融合方向。NVIDIA Ising此番在颜色码上的亮眼成绩，差不多可以证明，“AI加上传统混合解码”或许会成为百万量子比特时代的一个重要选项。

也许不久我们就会看到，更加强大的AI推理模型加入QEC循环，容错量子计算走出实验室、走向产业、走向流体力学、发现新材料、大分子药物研究等，它比我们预想的会来得更快一些。

参考链接

[1]https://developer.nvidia.com/blog/nvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x/

[2]https://arxiv.org/abs/2607.10058

[3]https://mp.weixin.qq.com/s/Aw19JONczAisgbTWAUU4_g