Google Quantum AI 近日透過 Kaggle 平台舉辦一項競賽，要運用人工智慧技術，大幅精簡量子電路，以解決目前量子電腦運算時需要大量量子位元和較多錯誤率的問題，藉此加速量子技術的發展。
Google Quantum AI 於近日啟動一項名為「可驗證量子電路編譯競賽」，並在數據科學平台 Kaggle 上舉行。這項競賽旨在挑戰參與者運用人工智慧（AI）技術，大幅精簡量子電路，以應對當前量子電腦在量子位元數量和閘錯誤率上的限制。
量子計算是一種利用量子力學原理進行高速運算的技術，理論上能解決傳統電腦難以處理的複雜問題。然而，現有量子電腦的效能瓶頸之一，在於所需的量子位元與執行操作（閘數）過多。Google Quantum AI 研究員 Tanuj Khattar 和瑞恩·巴布什（Ryan Babbush）表示，「每減少一個量子位元和一個閘，都能降低硬體實現的門檻」。
此次競賽聚焦於量子電路壓縮，也就是在不影響運算結果的前提下，減少量子電路所需的量子位元數量與操作步驟，讓量子電腦能更有效率地執行任務。參賽者將運用 Google Quantum AI 先前開發的「kickmix」電路。kickmix 電路是一種結構化的子類別，能有效進行傳統驗證，協助參與者在三個基準測試中，最小化量子位元和閘的數量。
kickmix 電路透過可逆的傳統邏輯與對角相位閘構建，確保每個輸入都能唯一對應一個輸出位元串與相位，避免了傳統驗證方法中經典位元串指數增長的問題。這種方法為驗證量子電路的正確性提供了途徑，對於信任 AI 優化結果至關重要。
這項策略也借鑒了 AI 模型 Gemini 4 Argon 的成功經驗，該模型已在量子糾錯與演算法設計上，為 Google 帶來進展。競賽的關鍵目標之一是優化分子的量子模擬，特別是鐵鉬輔因子（iron-molybdenum cofactor, FeMoCo）。研究人員希望透過 AI 代理，將原本需要耗時手動完成的量子電路優化工作，轉變為自動化探索。
在驗證方法上，團隊採用隨機模糊測試（randomized fuzz testing），這是一種古典計算，能以線性時間評估量子狀態的近似等效性。研究人員指出，儘管隨機模糊測試無法證明完全等效，但大多數量子演算法能夠容忍小幅、有限的錯誤，此方法有望顯著減少所需的閘數與量子位元。