谷歌在量子处理器上首次实现魔法态培育，保真度99.99%
2026年10月15日，谷歌量子AI（Google Quantum AI）团队在《科学》杂志发表研究成果《Magic state cultivation on a superconducting quantum processor》（超导量子处理器上的魔法态培育）。这项工作首次在真实量子硬件上证明了一种被称为“魔法态培育”（magic state cultivation）的技术能够切实运行，并将相关误差降低了约40倍，制备出逻辑保真度高达99.99%的T态。这被视为通向实用化、容错量子计算机道路上的关键一步。
图1：多达296位研究人员参与论文。
困扰量子计算二十年的“魔法”瓶颈
要构建通用的量子计算机，需要一组能拼出任何算法的“通用门集”，它由两类操作构成：Clifford门（H、S、CNOT等）和非Clifford门（典型代表是T门）。关键区别在于：Gottesman–Knill定理证明，只含Clifford门的量子线路可被经典计算机高效模拟——也就是说光有Clifford门，量子计算并不比经典计算更强；只有引入T门这类非Clifford门，量子优势才真正诞生。问题在于，物理学家们偏爱的两种纠错码——表面码（surface code）和颜色码（color code）——虽然具有高纠错阈值、且其局部连接方式很适合超导硬件，但它们原生支持的只是“经典可模拟”的Clifford门集，恰好缺失了最关键的非Clifford门。
为了补上这块短板，研究者引入“魔法态”（magic state）：既然T门这个“操作”做不了，就把它改写成“资源”——先单独制备一个带“魔法”成分的特殊量子态，再通过门隐形传态把它注入线路，魔法态一被消耗，就等效于施加了一个T门。所谓“魔法”，正是这个态超出Clifford稳定子框架之外、不可替代的那份资源量。
但魔法态是一次性消耗品：用完即弃、不可克隆，算法里有第N个T门就得提前备好第N个高纯度魔法态。而提纯它必须依赖极为昂贵的“魔法态蒸馏”（magic state distillation）。据估计，运行实用算法时多达95%的整机算力可能被占用于制造魔法态，留给真正计算的空间所剩无几。这个“魔法成本”瓶颈自2004年前后被预见，整整困扰学界二十年——正是谷歌这次工作要正面攻克的目标。
图2：魔法态蒸馏概念图。
“培育”思路：给噪声态装一道过滤器
2024年，谷歌量子AI的Craig Gidney、Noah Shutty和Cody Jones借鉴并改进了文献中的想法，提出“魔法态培育”。其核心思想类似一台过滤器：先在量子芯片的一小块区域内注入一个带噪声的量子态，然后执行一系列高度协同的测量来检查并剔除有缺陷的部分。借助对单个逻辑量子比特的容错测量与“后选择”（只保留没有出现错误探测事件的结果），这种被称为“零级蒸馏”（zero-level distillation）的方法，能够在单个逻辑比特内部直接生长（“培育”）出异常纯净、低误差的量子态，同时把它适配进更大、更实用的编码中。相比传统魔法态蒸馏，培育有望将所需轮次大幅削减，甚至彻底省去蒸馏。
图3：谷歌在2024年提出“魔法态培育”。A & B：将低保真度噪声态注入到小型逻辑量子比特中；C：进行多轮交叉检查，失败的被舍弃；D：经过所有检查后剩下高保真度的魔法态。
在Willow处理器上的真实验证
研究团队在谷歌的Willow超导处理器上，用距离为3的颜色码搭建了一个由数据比特（data qubit，图4A中黄色）与辅助比特（helper qubit，图4A中红蓝绿）构成的码片（code patch），设计线路把单个物理比特的任意态高效扩展进逻辑比特，并专门培育T态。
图4：在量子处理器上实现“魔法态培育”。A：在距离为3的颜色码网格中注入初始含噪声魔法态；B：通过量子门将复杂测量映射到单比特上，筛选出高纯度魔法态；C：详细展示“魔法态培育”的14步量子线路流程。
结果令人振奋：在不做培育时，注入T态的逻辑错误概率约为4.4×10⁻³，几乎等同于单个物理比特的门误差；而加入培育步骤后，逻辑错误概率骤降到1×10⁻⁴到2×10⁻⁴之间，改善约40倍。这一误差远低于线路中216个物理双比特门和54次测量本身的误差，最终T态的逻辑保真度创下99.99%的纪录。
为精确度量如此低的误差，团队还发展出“反冲层析”（Kickback Tomography, KT）这一新的量子计量技术。要把10⁻⁴量级的极低误差测准，传统量子态层析需要约10⁸次测量——既费时，又会被测量本身的投影噪声污染结果。KT的巧妙之处在于“用培育本身来度量培育结果”：它不直接去“看”那个脆弱的T态，而是借助相位反冲（Phase Kickback）——利用受控操作把数据比特的复杂魔法态测量“转移”到辅助比特上直接读取——再用培育线路反复读取并交叉校验，只保留多次测量结果一致、且全程没有触发任何错误探测事件的样本。这样，测量沿用的是纠错码自身的稳定子算符，既规避了投影噪声，又把测量次数从约10⁸降到约10⁴量级，从而能在实践中快速、可信地给出不保真度估计，把量子计量推向新的前沿。
图5：通过反冲层析验证了魔法态培育的效果，证明结合量子纠错的培育方案能将逻辑错误率降低约40倍（青色菱形）。
值得一提的是背后的工程攻关。论文第一作者、谷歌研究科学家Emma Rosenfeld最初观测到“似乎违背物理定律”的数据，经过数月排查，最终发现根因在于基准测量技术中的一个错误假设——实验室里由电气设备漂移和温度变化引起的某类噪声干扰了基准的有效性。团队据此同时调整了理论与工程方案，并为从根本上解决问题而发明了全新的基准测量方法。
跨码“嫁接”与未来展望
团队还迈出了验证理论与硬件架构兼容性的第一步：学会了在颜色码（适合培育）与表面码（更成熟、适合存储使用）之间切换，把距离3颜色码中培育出的态，成功“嫁接”（Grafting）到距离5的表面码中。实验证明，纯化后的态能够在硬件内部平稳存活并转移，实现了“魔法态逃逸进更优编码”的原理性验证。
图6：跨码“嫁接”概念图。
图7：将培育好的魔法态从颜色码成功嫁接到表面码的过程，并测量验证了其在更大网格上的逻辑态特征。
当然，要让魔法态培育真正支撑实用量子计算，仍需在更大规模上重复这一成果，诸多技术挑战尚待克服。但这项工作的意义在于：它把一个酝酿多年的理论构想，变成了真实硬件上被实验证实的现实，正面击穿了量子计算最严峻的资源瓶颈之一，让建造“能解决经典计算机无法解决问题”的容错量子计算机，又近了一步。
