量子 · 一微秒是节拍,二十微秒才是判决落地
配张卡,画的是快递分拣中心的两本账:上面一条传送带,包裹每 0.944 微秒扫一件——这是吞吐;下面一枚金色印章,判决要等 20.36 微秒才落地——这是延迟。同一块芯片,量的根本不是一件事。
配张卡,画的是快递分拣中心的两本账:上面一条传送带,包裹每 0.944 微秒扫一件——这是吞吐;下面一枚金色印章,判决要等 20.36 微秒才落地——这是延迟。同一块芯片,量的根本不是一件事。
arXiv:2611.26447《Scaling classical hardware for accurate real-time quantum error correction》,Chenyang Jin、Susanne F. Yelin、Andi Gu 三人,2026-11-19 挂出。摘要和 Results、Methods、Extended Data 表我都回一手核过,几个数站得住:
- 紧凑版单块 FPGA 每 0.944 微秒处理一轮综合征,每秒一百多万轮;快版两块 FPGA 并到 0.490 微秒。这是吞吐。
- 但从第一轮进门到判决落地,紧凑版 20.36 微秒、快版约 13 微秒。论文自己算过:堆芯片能把吞吐一路抬,延迟却卡在芯片间通信,大约 8 微秒见底;换成 7 纳米定制硅推算能到 6.5 微秒,那一版没流片。
- 240 倍这个数最好别到处贴。它有分母:码距 19 的旋转表面码、SI1000 噪声、物理错误率 0.15%,对手是 union-find——论文 Methods 明说这只是 Helios 解码器的一个软件实现。换个对手 MWPM,写法就变成「近 10 倍」;换个码,Gross 码上是 16 倍对 int4 实时版 Relay-BP-1。三个倍率,各有各的场子。
真正值得停一下的,是论文顺手摆上台面的那笔账:一个逻辑比特配一块 VP1802,推广到大规模容错机就是几千块 FPGA、几百千瓦、几十个机架。经典硬件不再是量子计算机的配套外设,它自己也成了一种能堆的资源。堆得更多,解码更快更准——代价是机房。
把一次眨眼切成十万份,其中一份就是一微秒。超导量子处理器每过大约一微秒就要给纠错码做一次体检,吐出一批叫作「综合征」的数据。解码器必须在下一批数据到来之前,把上一批判完。
十一月十九日挂出的一篇论文说,他们的解码器做到了「每轮不到一微秒」。摘要里这句话是真的。把全文翻到表格,同一块芯片上还有另一个数:20.36 微秒。两个数都没写错,量的不是同一件事。【直引:arXiv:2611.26447,Chenyang Jin、Susanne F. Yelin、Andi Gu 三人,v1 2026-11-19 17:16 UTC】
这篇论文叫 Rapids,一个流式神经解码器。它值得写,不只因为那个 240 倍,更因为它把量子纠错里最容易被人转述错的两本账,摆在了同一张桌子上。
📦 一微秒是分拣速度,二十微秒是包裹出门
想象一个快递分拣中心。传送带上每秒钟滑过一百件包裹,这是吞吐。而单件包裹从进门扫码到贴上目的地标签落地,是另一段时间。两者可以同时很好,也可以一个漂亮一个难看,它们从来不是同一个数。
Rapids 的「每轮不到一微秒」说的是吞吐。紧凑版在单块 FPGA 上每 0.944 微秒处理完一轮 syndrome,相当于每秒一百多万轮,跟得上一微秒一次的体检节奏。快版用两块芯片并行,压到 0.490 微秒一轮。
但从第一轮综合征进门,到那个「这一轮该不该翻比特」的判决真正落地,紧凑版要 20.36 微秒,快版 12.98 微秒。论文正文把快版写成约 13 微秒,把 20.36 微秒留在表格里。摘要挑了前一本账写。【直引:论文 Results 与 Methods的决策延迟表】
作者没有藏东西。把两块 FPGA 之间约 0.25 微秒一次的握手算进去,论文自己给出结论:继续堆芯片能把吞吐一路抬上去,延迟却只能降到大约 8 微秒就触底,卡住它的是芯片间通信。【直引:论文关于 chip-to-chip communication sets a floor of ~8 µs 的表述】
只有换成定制硅片的估算,延迟才降到 6.5 微秒。那一版没有流片,是 7 纳米工艺下的推算。
🔢 240 倍的分母,写在脚注里
摘要第二句说,逻辑错误率比现有实时硬件解码器低 240 倍。这句话最容易被人搬走,也最需要把分母找出来。
240 倍的全场景是:码距 19 的旋转表面码,SI1000 噪声模型,物理错误率 0.15%,对手是 union-find 解码器。而 union-find 在这里特指 Helios 解码器的一个软件实现。它对另一种常见解码器 MWPM 的优势,论文写的是「近 10 倍」,不是 240 倍。【直引:论文 Results「240 times below that of union-find」及 Methods 对 union-find 的定义】
换一张码,倍数也跟着换。在 [[144,12,12]] 的 bivariate-bicycle 码(论文称 Gross 码)上,物理错误率 0.1% 时,Rapids 比实时的 Relay-BP-1 解码器准 16 倍。这个 Relay-BP-1 是 int4 量化的实时版本,不是那个精度更高、却没有实时硬件实现的 joint-basis Relay-BP。论文说 Rapids 的精度甚至越过了后者,那是另一句话,不能和 16 倍拼在一起。【直引:论文 Figure 3 与 Methods 对 Relay-BP-1 的配置说明】
把三个倍率并排放,才看得出「240 倍」不是一个可以随处粘贴的标签。数字属实,效应只在那个特定场景成立。
⚙️ 把网络改成芯片认识的样子
Rapids 的起点是这块芯片擅长算什么。作者先问这个,再用那些操作搭网络,并且直接用整数算术训练。稀疏化会牺牲一点无约束网络的精度,但在固定的硬件预算下,这种稀疏网络反而更准。【直引:论文 Discussion 对 co-design 权衡的表述】
训练数据在 Stim 里按存储实验模拟,表面码和颜色码用 SI1000 噪声,Gross 码用去极化噪声。每个解码器只在单一噪声强度、单一实验长度(R=3d)上训练,然后靠外推去覆盖更低的错误率和更长的实验。逻辑错误率因此是模拟读数,不是从真机采来的综合征跑出来的。【直引:论文 Methods】
硬件实现是真的:AMD Versal Premium VP1802,具体料号 xcvp1802-vsva5601-3HP-e-S,Vivado 2025.2.1 布局布线,功耗按 SI1000、p=0.15%、每微秒一轮的开关活动估算。但这台 FPGA 跑的是模拟产生的综合征,它证明了芯片算得动,没有证明它在真实处理器旁边接过线。【判断:把「硬件实现」和「真机闭环」分开写,才不会把前者读成后者】
🧾 解码器本身开始吃掉机柜
论文最值得停一下的地方,是它顺手把一笔常被省掉的账摆上了台面。
按 d=19 的紧凑版配置,一个逻辑比特配一块 VP1802。推广到大规模容错机器,这会是几千块 FPGA、几百千瓦,相当于几十个服务器机架。高码率的码和定制硅片能把这个数字压低大约一个数量级,可 7 纳米那版仍是估算。【直引:论文 Discussion「thousands of FPGAs and several hundred kilowatts」】
于是这篇论文的真正主张就清楚了:经典硬件不只是量子计算机的配套外设,它本身变成一种可以堆的资源。堆得更多,可以让解码更快、更准,或者去解更大的码。这话成立,代价是机房。【推论:论文把 classical hardware 与 qubits 并列为可扩展资源,其含义是成本账也要并列】
🌙 两本账都留下了
这篇稿子没有可以顺势升华的结尾。
能确认的,是吞吐进了微秒区间,逻辑错误率在特定场景下有了可复测的降幅,而且整个解码器真的落在了一块能买到的 FPGA 上。不能确认的,是 20 微秒的决策延迟如何进入那些假设 10 微秒反应时间的资源估计,是几千块 FPGA 的机柜由谁供电,是模拟里训出来的网络接到真实综合征上还剩多少优势。
论文把两本账都写全了。转述的时候,别只拿走好看的那本。
📚 参考来源
- arXiv:2611.26447《Scaling classical hardware for accurate real-time quantum error correction》,Chenyang Jin、Susanne F. Yelin、Andi Gu,2026-11-19
- 论文 HTML 全文 Results、Methods、Discussion 与 Figure 3 表注
- AMD Versal Premium VP1802 器件与 Vivado 2025.2.1 实现配置(论文 Methods)
- Stim 模拟噪声模型 SI1000 与去极化噪声设定(论文 Methods)