量子計算機可以解決超出傳統計算機功能的複雜任務。然而，量子態對來自其環境的恆定干擾極其敏感。計劃是使用基於量子誤差校正的主動保護來解決這個問題。馬克斯普朗克光學研究所所長Florian Marquardt及其團隊現在提出了一種能夠通過AI進行學習的量子糾錯系統。

2016年，計算機程式AlphaGo贏得了五場比賽中的四場，對陣世界上最好的人類團隊。鑑於Go遊戲中的移動組合比估計宇宙中的原子更多，這不僅需要純粹的處理能力。相反，AlphaGo使用人工神經網路，它可以識別視覺模式，甚至能夠學習。與人類不同，該計劃能夠在短時間內練習數十萬個遊戲，最終超越了最優秀的人類。現在，位於埃爾蘭根的研究人員正在利用這種神經網路為量子計算機開發糾錯學習。

人工神經網路是模擬相互連線的神經細胞（神經元）行為的計算機程式，在埃爾蘭根的研究中，大約有兩千個人工神經元相互連線。“我們從電腦科學中獲取最新的想法並將其應用於物理系統，”Florian Marquardt解釋說，“通過這樣做，我們可以利用AI領域的快速進步。”

人工神經網路可能超過其他糾錯策略

第一個應用領域是量子計算機，如最近的論文所示，其中包括埃爾蘭根馬克斯普朗克研究所博士生ThomasFösel的重要貢獻。在該論文中，該團隊證明了具有AlphaGo靈感架構的人工神經網路能夠學習，如何執行對未來量子計算機操作至關重要的任務：量子糾錯。甚至通過充分的訓練，這種方法有望超過其他糾錯策略。

要了解它涉及的內容，你需要了解量子計算機的工作方式。量子資訊的基礎是量子位元或量子位元。與傳統的數字位元不同，量子位元不僅可以採用零和一的兩個狀態，而且可以採用兩種狀態的疊加。在量子計算機的處理器中，甚至有多個量子位作為聯合狀態的一部分疊加。這種糾纏解釋了量子計算機在解決傳統計算機註定要失敗的某些複雜任務時的巨大處理能力。缺點是量子資訊對其環境噪聲非常敏感。量子世界的這種和其他特性意味著量子資訊需要定期修復，即量子糾錯。然而，這需要的操作不僅複雜，而且必須保持量子資訊本身的完整。

量子糾錯就像是一個帶有奇怪規則的Go遊戲

“你可以把量子計算機的元素想象成就像一塊棋盤，”Marquardt博士說，他正在探索專案背後的核心理念。量子位像碎片一樣分佈在黑板上。然而，與傳統的Go遊戲有一些關鍵的區別：所有的棋子都已經分佈在棋盤上，白色在一邊，另一邊是黑色的。一種顏色對應於狀態0，另一種對應於狀態0，在量子Go遊戲中，一個動作涉及到將棋子翻過來。根據量子世界的規則，棋子也可以採用灰色混合色，表示量子態的疊加和糾纏。

當談到玩遊戲時，玩家——我們稱她為Alice，做出旨在保留代表某種量子狀態的模式的動作。這些是量子糾錯操作。與此同時，她的對手竭盡全力摧毀這種模式。這代表了實際量子位元從其環境中經受的過多幹擾的恆定噪聲。此外，量子游戲的遊戲特別難以通過一種特殊的量子規則：Alice不允許在遊戲中看棋盤。任何能夠揭示量子位元狀態的瞥見都會摧毀遊戲目前佔據的敏感量子狀態。問題是：這樣她怎麼能做出正確的舉動？

輔助量子位揭示了量子計算機中的缺陷

在量子計算機中，通過在儲存實際量子資訊的量子位之間定位附加量子位來解決該問題。可以採取偶爾的測量來監視這些輔助量子位的狀態，允許量子計算機的控制器識別故障所在的位置，並對這些區域中的資訊攜帶量子位執行校正操作。在我們的量子Go遊戲中，輔助量子位將由在實際遊戲棋子之間分配的附加部分來表示。Alice可以偶爾看一下，但只能看這些輔助部分。

在埃爾蘭根研究人員的工作中，Alice的角色由人工神經網路完成。我們的想法是，通過培訓，網路將在這一角色中變得如此擅長，甚至可以超越智慧人類思維所設計的糾正策略。然而，當團隊研究一個涉及五個模擬量子位的例子時，他們能夠證明僅有一個人工神經網路是不夠的。由於網路只能收集有關量子位狀態的少量資訊，或者更確切地說是量子Go遊戲，它永遠不會超越隨機試驗和錯誤的階段。最終，這些嘗試破壞了量子態而不是恢復它。

一個神經網路使用其先前的知識來訓練另一個

解決方案以附加神經網路的形式出現，充當第一網路的教師。憑藉其對待控制的量子計算機的先驗知識，該教師網路能夠訓練其他網路，從而指導其成功量子校正的嘗試。然而，首先，教師網路本身需要充分了解量子計算機或其要控制的元件。

原則上，人工神經網路使用獎勵系統進行訓練，就像他們的自然模型一樣。提供實際獎勵以通過量子誤差校正成功恢復原始量子態。“然而，如果實現這一長期目標的實現給予了獎勵，那麼在眾多的修正嘗試中，它將會來得太晚，”Marquardt解釋道。因此，位於埃爾蘭根的研究人員開發了一種獎勵系統，即使在訓練階段，也會激勵教師神經網路採用有前景的策略。在量子Go遊戲中，這個獎勵系統將為Alice提供給定時間遊戲的一般狀態的指示，而不會洩露細節。

學生網路可以通過自己的行動超越其老師

“我們的第一個目標是讓教師網路學會在沒有人工協助的情況下進行成功的量子糾錯操作，”Marquardt表示。與學生網路不同，教師網路不僅可以基於測量結果，而且可以基於計算機的整體量子狀態來做到這一點。由教師網路訓練的學生網路最初會同樣好，但通過自己的行為可以變得更好。

除了量子計算機中的糾錯之外，Florian Marquardt還設想了AI的其他應用。在他看來，物理學提供了許多系統，可以因人工神經網路模式識別受益。

原文連結：研究人員開發了一種量子糾錯系統，能夠通過AI進行學習

本文為ATYUN（www.atyun.com）編譯作品，ATYUN專注人工智慧。