噪聲是量子計算的天敵

噪聲是量子計算的天敵   —讀Nature Physics 上的一篇論文有感

文｜徐令予

2026年4月2日，頂級期刊 Nature Physics 發表了一篇關於量子計算的重要論文：《Noise-induced shallow circuits and the absence of barren plateaus》

作者來自Freie Universität Berlin、École Polytechnique Fédérale de Lausanne、Massachusetts Institute of Technology、University of Chicago等多家一流機構。無論從期刊層級還是作者背景來看，這都是一篇具有較高可信度的重磅論文。

但這篇論文真正值得關注的，不是技術細節，而是它提出的一個更為根本性的問題：在尚未實現容錯糾錯的前提下，量子計算究竟還能保留多少真正的優勢？

一、噪聲會降低量子線路深度[1]

過去幾年，量子計算領域一個重要方向是“變分量子算法”。它的基本思路並不複雜：給量子計算過程引入一組參數，通過不斷調整，使輸出結果逐步逼近目標，這一點與機器學習中的訓練過程相似。

但很快，一個困難顯現出來。隨著係統規模增加，優化過程往往陷入停滯：參數變化變得越來越不明顯，幾乎無法判斷下一步該如何調整。這種現象常被稱為“梯度消失”[2]。

在這樣的背景下，一個看似合理的判斷逐漸形成：如果這種“難以優化”的問題能夠避免，那麽量子算法或許還有希望發揮一定的作用。

這篇論文的出發點，正是對這一判斷進行重新審視。不過作者並沒有直接討論優化技巧，而是把問題往前推了一步：在現實噪聲條件下，這種原本層層展開的計算過程的複雜度——量子線路深度，是否還能順利地保留下來？

二、別被表象所迷惑

論文從一個非常現實的前提出發：在尚未實現糾錯的情況下，量子計算不可避免地受到噪聲影響，而且這種幹擾是分散在每個量子比特上的，也就是說，每個基本單元都會各自受到影響。

在這一條件下，作者得到一個關鍵結論。對於一類很常見的任務——不是關心單次計算結果，而是關心重複多次之後的平均結果——計算過程中越早發生的操作，其影響會迅速衰減。結果是，無論原本的計算過程有多複雜，真正能夠對最終結果產生作用的，隻剩下最後少數幾步。從效果上看，一個複雜而漫長的計算過程，會退化為一個相當“淺”的過程[2]。

這個結論直接動搖了量子計算中一個被認為非常重要的優勢：通過增加計算步驟來提升能力。在現實噪聲環境下，這種優勢並不會自然保留下來，而是會被係統性壓縮。

在此基礎上，論文給出一個看似反直覺的結果：在這種條件下，優化過程並不會出現“完全失去方向”的情況，也就是說，上麵提到的“梯度消失”現象反而不再明顯。

但這一點並不能簡單理解為好消息。原因恰恰在於前述的壓縮效應：由於隻有最後少數步驟仍然對結果有影響，真正參與調整的部分已經大幅減少。換句話說，之所以“容易調整”，並不是因為係統更強，而是因為它已經變得更簡單了。

從這個角度看，優化變得容易，並不意味著能力提升，反而可能說明原本依賴複雜結構的計算能力已經明顯減弱。

三、噪聲環境中的量子算法對經典算法不具優勢

如果真正起作用的隻是一個被壓縮後的“淺層”結構，那麽一個自然的問題是：這樣的計算，還需要量子設備嗎？

論文的回答相當直接。正是由於這種結構上的簡化，可以構造出相應的經典算法，在合理精度範圍內完成同樣的平均值計算。這意味著，在當前噪聲條件下，一類常見量子算法並不必然具備穩定的優勢。

更進一步，作者還比較了不同類型的噪聲。過去不少分析依賴一種較為理想化的模型，而現實係統中的噪聲往往更加複雜。一個自然的期待是，更接近真實情況的噪聲，是否會帶來不同甚至更有利的結果。

論文給出的結論是，在所討論的任務範圍內，這些不同類型的噪聲在效果上是相似的，都會導致計算過程被壓縮到類似的“淺層”結構。雖然在理論上可以通過精心設計來利用噪聲，從而獲得某些特殊優勢，但這種情況並不具有普遍性。

結語

綜合來看，這篇論文傳達的信息相當明確：在沒有容錯糾錯的前提下，量子計算並不會自然保留其“深度優勢”。相反，在噪聲作用下，這一優勢往往被壓縮，使得典型量子計算過程在效果上更接近一個淺層次的簡單結構，它們可以被經典算法替代。

自量子計算研究起步，噪聲問題就如影相隨一直困擾著研究者。希伯來大學的數學教授 Gil Kalai 是量子計算領域著名的“懷疑論者”。他的核心觀點並非基於工程實現的難度，而是從數學邏輯和計算複雜性的角度出發，認為在大規模係統中，噪聲（Noise）是不可逾越的障礙[3]。今日這篇論文無疑為 Gil Kalai 的觀點提供了新的證據，看來，噪聲確實是量子計算難w以戰勝的天敵。

注釋：

[1] 量子線路深度

    指量子計算中操作步驟的層數。深度越大，意味著計算過程越長。

[2] 梯度消失

    在優化過程中，指參數應如何調整的方向和大小。梯度接近零時，優化會變得困難。

[3] 著名學者 Gil Kalai 對量子計算質疑的核心要點：

1. 噪聲的相關性難題

主流觀點認為噪聲是隨機且獨立的，可以通過糾錯抵消。但 Kalai 認為，在大規模量子係統中，噪聲必然是高度相關的。這種相關噪聲會隨規模呈指數級增長，最終徹底破壞計算。

2. 量子糾錯的“門檻悖論”

實現量子糾錯需要操作精度達到一個極高的閾值。Kalai 預言，物理學上存在一個誤差下限，這個下限高於糾錯所需的閾值。這意味著我們永遠無法跨入“自我修複”的門檻。

3. 計算能力的“平庸化”

他從計算複雜性理論推斷，受噪聲幹擾的量子係統在本質上隻能處理簡單的數學問題。在處理複雜任務時，其表現並不優於經典計算機，所謂的“量子優越性”在現實應用中難以實現。

4. 噪聲靈敏度

量子態極其脆弱，對微小擾動有著極高的噪聲靈敏度。Kalai 認為，試圖在大規模係統中維持相幹性，就像在狂風中搭建紙房子，違背了自然的基本規律。

核心結論：

Gil Kalai 認為量子計算在本質上是不可容錯的。他承認小規模量子實驗的成功，但斷定大規模、可用的容錯量子計算機在物理和數學邏輯上都是行不通的。

徐令予 作於美國南加州 （2026年 4月15日）