量子计算机可以解决超出常规计算机功能范围的复杂任务。但是，量子态对来自其环境的持续干扰极为敏感。计划是使用基于量子校正的主动保护来解决这一问题。马克斯·普朗克光科学研究所所长弗洛里安·马夸特(Florian Marquardt)和他的团队现在提出了一种量子校正系统，该系统能够借助人工智能进行学习。

训练中的纠错学习：图像在解决任务时将Erlangen研究人员的神经网络中的人工神经细胞活动可视化。图片来源：马克斯·普朗克光科学研究所

2016年，计算机程序AlphaGo在与世界上最佳人类选手对抗的五场围棋比赛中赢得了四场比赛。鉴于围棋游戏具有的移动组合超过了估计的宇宙原子数，因此这不仅仅是纯粹的处理能力。相反，AlphaGo使用了人工神经网络，该网络可以识别视觉模式，甚至能够学习。与人类不同，该程序能够在短时间内练习数十万种游戏，最终超越了最佳人类玩家。现在，基于Erlangen的研究人员正在使用这种神经网络来开发量子计算机的纠错学习。

人工神经网络是模仿互连神经细胞(神经元)行为的计算机程序-在Erlangen的研究中，大约有2,000个人工神经元相互连接。“我们采用计算机科学的最新思想，并将其应用于物理系统，” Florian Marquardt解释说。“通过这样做，我们将从人工智能领域的快速进步中受益。”

人工神经网络可以超越其他纠错策略

如最近的论文所示，第一个应用领域是量子计算机，其中包括位于埃尔兰根的马克斯·普朗克研究所的博士生托马斯·福塞尔(ThomasFösel)做出的重大贡献。在论文中，该团队证明了具有AlphaGo启发式架构的人工神经网络能够自行学习如何执行对未来量子计算机的运行至关重要的任务：量子校正。甚至有可能，经过足够的培训，这种方法将超越其他错误纠正策略。

要了解其中涉及的内容，您需要查看量子计算机的工作方式。量子信息的基础是量子位或量子位。与传统的数字位不同，量子位不仅可以采用零和一两种状态，还可以采用两种状态的叠加。在量子计算机的处理器中，甚至有多个量子位被叠加为联合状态的一部分。当解决传统计算机注定要失败的某些复杂任务时，这种纠缠解释了量子计算机的巨大处理能力。缺点是量子信息对来自其环境的噪声高度敏感。量子世界的这种和其他特性意味着，量子信息需要定期修复-即量子校正。然而，

量子纠错就像是使用奇怪规则的围棋游戏

“您可以想象量子计算机的元素就像一块Go板，” Marquardt说到他的项目背后的核心思想。量子位像块一样分布在整个板上。但是，与传统的围棋游戏有一些关键区别：所有棋子都已经分布在棋盘上，并且每一个棋子的一侧是白色，而另一侧是黑色。一种颜色对应于状态零，另一种颜色对应于状态零，并且在Quantum Go游戏中的移动涉及翻转零件。根据量子世界的规则，这些碎片还可以采用灰色混合颜色，这些颜色代表了量子态的叠加和纠缠。

在玩游戏时，玩家(我们称她为爱丽丝)进行举动旨在保留代表特定量子态的模式。这些是量子校正操作。同时，她的对手竭尽所能破坏格局。这代表了真实量子比特从其环境中受到的过多干扰所产生的持续噪声。此外，量子Go游戏因特殊的量子规则而变得特别困难：不允许爱丽丝在游戏过程中查看棋盘。向她揭示量子位状态的每一次瞥见都会破坏游戏当前所占据的敏感量子状态。问题是：尽管如此，她如何才能采取正确的行动?

在量子计算机中，通过在存储实际量子信息的量子位之间放置其他量子位来解决此问题。可以进行偶尔的测量来监视这些辅助量子位的状态，从而使量子计算机的控制器能够识别出故障所在，并对这些区域中的信息承载量子位执行校正操作。在我们的量子围棋游戏中，辅助量子位将由实际游戏棋子之间分配的其他棋子表示。允许爱丽丝偶尔看，但只能看这些辅助部分。

在Erlangen研究人员的工作中，爱丽丝的角色是由人工神经网络执行的。这个想法是，通过培训，网络将很好地发挥这一作用，以至于它们甚至可以超越智能人脑设计的纠正策略。但是，当团队研究一个涉及五个模拟量子位的示例(对于传统计算机仍然可以管理的数量)时，他们能够证明仅凭一个人工神经网络还不够。由于网络只能收集有关量子位状态或量子围棋游戏的少量信息，因此它永远不会超出随机试验和错误的阶段。最终，这些尝试破坏了量子态而不是恢复它。

该解决方案以附加神经网络的形式出现，该神经网络充当第一个网络的教师。凭借对要控制的量子计算机的先验知识，该教师网络能够训练另一个网络(即学校的学生)，从而指导其成功进行量子校正的尝试。但是，首先，教师网络本身需要对量子计算机或其要控制的组件有足够的了解。

原则上，就像其自然模型一样，使用奖励系统训练人工神经网络。实际的回报是通过量子校正成功地恢复了原始的量子状态。“但是，如果这个长远目标是您所定义的唯一奖励，那么它将在众多的矫正尝试中为时已晚，” Marquardt解释说。因此，基于埃尔兰根的研究人员开发了一种奖励系统，即使在培训阶段，该系统也能激励教师神经网络采取有前途的策略。在量子围棋游戏中，该奖励系统将在给定时间为爱丽丝提供游戏总体状态的指示，而不会泄露细节。

“我们的首要目标是让教师网络学习如何在无需人工协助的情况下成功完成量子校正操作，”马夸特(Marquardt)说。与学校学生网络不同，教师网络不仅可以基于测量结果，而且可以基于计算机的整体量子状态来执行此操作。然后，由教师网络训练的学校学生网络起初将同样出色，但通过其自身的行动可能会变得更好。

除了量子计算机中的纠错之外，Florian Marquardt还设想了这种人工智能的其他应用。他认为，物理学提供了许多系统，这些系统可以从人工神经网络对模式识别的使用中受益。