量子 · 排十个它赢，排一百个它输：找好纠错码的这本账该怎么算

把一座山的石头挨个敲开验成色，一锤子要花掉一小时，经费只够敲几百锤。好矿石又稀，随便敲大概率全是废石。这种局面下该比的不是「谁总共敲出更多矿」，而是「每敲一锤能翻出几块好矿」。11 月 4 日挂上 arXiv 的一篇量子纠错码论文，把这句账算得极细，还顺手给自家方法设了一个会输的考场。

论文编号 2611.06819，题目叫 GFlowQEC，作者是 Nuno Batista、Gabriel Falcao 与 Penousal Machado，16 页，1 图，2 表，另附 42 篇参考文献，挂在 quant-ph 与 cs.LG 两个分类下。作者称这是头一个用来设计量子码的生成流网络（GFlowNet）。它要解的问题在摘要第一句就摆明了：给真实器件挑一个纠错码，得用电路级仿真给候选打分，而那种仿真慢到一次只能跑几百个候选，所以每一次评估都算钱。

⛏️ 一锤子只够排十个

量子 LDPC 码有个讨巧的构造办法：只用少数几个群元素，就能拼出保护很多逻辑比特的码。代价是好码在巨大的组合空间里非常稀。GFlowQEC 的做法是逐个群元素把码搭出来，训练时让它按「分数的某个幂次」的比例去提议新码。分数来自更早几轮搜索，训一次就冻结，之后不再改。冻结后的网络负责提议 180 个物理比特的提升积码（lifted-product codes），按码距打分。

码距这个量，粗略说是最少要凑齐多少个物理错误才能造出一次查不出来的逻辑错误。它是个代理指标，不等于真机上的逻辑错误率，后面谈口径时还得回到这一点。

结果按「每次付费调用只排十个抽样」给出：GFlowQEC 找到的、与训练时见过的任何码都不等价的新顶级码，数量是调过参的并行退火的 2 倍多，而且退火那边还是从 GFlowQEC 自己的训练码起步的；对照一个每次排十个随机候选的监督筛选，是 3.5 倍多。三组数都出自同一篇摘要。

这里的判据得咬准。数的是「新顶级码」的条数，新在与训练集不等价，不是「性能更高的码」；比的是每付费评估的产出，不是总产出。谁把这两处读松了，后面那个反转就看不懂。

🔁 放宽到一百个，赢家换了人

摘要接着写了一段对自己不利的话。两边都改成每次排一百个候选时，监督筛选反超了 GFlowQEC；而让监督筛选去筛 GFlowQEC 抽出来的那些样本，它拿到全场最好成绩。还有一层：Soft Q-learning 与 GFlowNet 共享同一个最优策略，在一个噪声偏置下两者打平，在另一个偏置下 Soft Q-learning 更好。作者据此明说，这份增益不依赖 GFlowNet 的训练损失。

按摘要自己的对照，能站住的解释是提议器把抽样集中到了高分区，在评估次数被卡死时更省；一旦允许排一百个，筛子本身的判别力就把这点集中优势吃掉了，甚至筛它抽出来的样本最划算。这是我的推论，作者没给机制分析，只给了 Soft Q-learning 那条旁证。

📅 同一周三篇码论文，日期不是同一天

想看清这波「找好码」的动作，得把另外两篇摆进来，还得把日期标对。

11 月 3 日的 2611.04964 走的是数学路线，作者 Bujiao Wu、Tongyin Lin（深圳国际量子科学院）与 Bin Cheng（新加坡国立大学量子技术中心），34 页含补充材料，分类是 quant-ph 加 math.AG。它处理可寻址横向相位门，用循环编码绕开二元 CSS 框架，把逻辑相位控制与码率、距离的联合设计拆开。多项式时间的代数几何构造给出两者共同的渐近下界 52 除以 675h，T 门取 h 等于 3 时是 2.57%；再用计数论证做指数时间构造，把这个界提高约 2.86 倍到 7.34%。2.57 乘 2.86 得 7.35，与 7.34 对得上。作者另给通用上界 0.2827 除以 h，h 等于 3 时约 0.0942，并在自己的循环编码框架里得到更紧的上界，约为指数时间构造下界的 1.28 倍。具体造出了 48 与 90 个物理比特、支持可寻址横向 T 门的码。

arXiv News 与 Quantum Zeitgeist 整理的对照表里，旧显式构造的共同下界依次是 San-José 的 4.6027 乘十的负九次方、Lin 等人的 4.1356 乘十的负六次方、Meiburg 的 CSS 族 7.1751 乘十的负五次方与模时钟族 9.6006 乘十的负四次方。从十的负九次方量级抬到百分之二点五七，跨了好几个数量级。这些表格数值出自二次整理，我回过 arXiv 摘要确认构造与倍数，没有逐格核原表。另有一处小陷阱：Quantum Zeitgeist 的标题只写了「48 比特码」，摘要里其实给了 48 与 90 两个实例。

第三篇日期最早，也最容易读错。谷歌 Quantum AI 与 DeepMind 的《Low-Overhead Quantum Error Correction with Boundary-Connected Planar Modules》是 arXiv 2610.03682，10 月 2 日提交，112 页、73 图、20 表，作者含 Oscar Higgott、Craig Gidney、Hartmut Neven 等 14 人。11 月 5 日中文媒体集中报道的，是谷歌量子 AI 团队主办的一场超导量子计算规模化前沿会议上对这项工作的报告，以及会议里东京科学大学笠井健太讲的高码率码代数构造。论文不是 11 月 5 日新挂出来的，也尚未同行评审（PostQuantum 10 月 2 日的解读里明确写了这一点）。

🧮 三十六个物理比特，分母是什么

谷歌这篇的做法值得单说。平面表面码一个逻辑比特大约要 2d² 个物理比特，d 取 20 到 24 时，每逻辑比特上千个物理比特。论文把处理器切成一块块平面模块，片内照旧走二维网格近邻门，把高亏格双曲曲面的铺砌特征全部转移到模块边界上的稀疏静态连线，构造出模块化双曲表面码与色码。电路级模拟用 SI1000 噪声模型、片内物理错误率 0.1%、跨模块两比特门 1%（十倍于片内），一个铺满 120 个模块、每模块 116 个物理比特共 13920 个物理比特的系统，存下 146 个逻辑比特，每逻辑比特每轮逻辑错误率约十的负十次方。同一噪声下达到这个率，模块化表面码基线要十倍以上的物理比特。外推到更大码给码率 16 分之一、码距不小于 22，据此称相对表面码开销可降 30 倍以上。PostQuantum 提醒，30 倍来自外推到作者自称「大到无法模拟或解码」的码，论文没有给完整算法的资源估计。

中文稿里有一句「码距 20 到 24 的实用区间内，平均一个逻辑比特仅需三十六个物理比特」。这个 36 得问一句分母。按同一份论文的自算，13920 除以 146 约 95 个物理比特一个逻辑比特；码率 16 分之一对应 16 个物理比特一个逻辑比特；而英文解读里出现的 36，是某个色码实例用 1152 个物理比特存下的逻辑比特数。三个数各有各的分母，一个出自具体模拟实例，一个来自渐近码率，还有一个来自另一次模拟的逻辑比特条数，拼成一张表就会得出「比表面码省三十倍还只要三十六个」这种不存在的结论。

我的判断是中文稿这句把 36 读成了单位开销，原文摘要里没有这个写法。这里不裁定谁对谁错，只把三处出处摆出来：真要引这个数，得先说清是哪个实例，按哪档码率，又是哪一轮模拟。工作区里那条老规矩在这篇上又应验了一次，份额与时间序列得标是哪一季，物理比特开销也得标是哪一种码、哪一次模拟。

🔚 锤子还是那几百把

三篇论文从三个方向逼近同一件事：把容错要垫进去的物理比特压下来。一个用几何拓扑把连线挪到模块边缘，一个用代数几何把可证明的下界抬到百分之几，一个用生成模型让每次昂贵评估多翻出几块好码。它们给出的量分别是模拟里的开销，渐近界，以及每评估产出，彼此不能换算，更不能直接排名。

回到开头那座山。经费没变，锤子还是几百把。这一周真正推进的，是「先敲哪几块石头」有了三种不同算法，而且其中一种老老实实写下了自己在预算放宽后会输。这句自陈比那个 3.5 倍更值得记住。

信源

• arXiv:2611.06819《GFlowQEC: Generative Flow Networks that Learn to Sample Quantum LDPC Codes》，Batista、Falcao、Machado，2026-11-04 提交
• arXiv:2611.04964《Substantially Improved Rate and Distance for Addressable Transversal Phase Gates》，Wu、Lin、Cheng，2026-11-03 提交
• arXiv News 与 Quantum Zeitgeist 对 2611.04964 的 Table 1 数值整理（CC BY 4.0，二次来源）
• arXiv:2610.03682《Low-Overhead Quantum Error Correction with Boundary-Connected Planar Modules》，Higgott 等 14 人，2026-10-02 提交
• PostQuantum 2026-10-02 对该论文的解读（SI1000 噪声模型、120 模块参数、外推边界、未同行评审）
• 腾讯新闻 2026-11-05《谷歌量子 AI 团队主办，这场超导量子计算规模化前沿会议大佬云集》