量子计算机可以解决超出传统计算机功能的复杂任务。然而，量子态对来自其环境的恒定干扰极其敏感。计划是使用基于量子误差校正的主动保护来解决这个问题。马克斯普朗克光学研究所所长Florian Marquardt及其团队现在提出了一种能够通过AI进行学习的量子纠错系统。

2016年，计算机程序AlphaGo赢得了五场比赛中的四场，对阵世界上最好的人类团队。鉴于Go游戏中的移动组合比估计宇宙中的原子更多，这不仅需要纯粹的处理能力。相反，AlphaGo使用人工神经网络，它可以识别视觉模式，甚至能够学习。与人类不同，该计划能够在短时间内练习数十万个游戏，最终超越了最优秀的人类。现在，位于埃尔兰根的研究人员正在利用这种神经网络为量子计算机开发纠错学习。

人工神经网络是模拟相互连接的神经细胞（神经元）行为的计算机程序，在埃尔兰根的研究中，大约有两千个人工神经元相互连接。“我们从计算机科学中获取最新的想法并将其应用于物理系统，”Florian Marquardt解释说，“通过这样做，我们可以利用AI领域的快速进步。”

人工神经网络可能超过其他纠错策略

第一个应用领域是量子计算机，如最近的论文所示，其中包括埃尔兰根马克斯普朗克研究所博士生ThomasFösel的重要贡献。在该论文中，该团队证明了具有AlphaGo灵感架构的人工神经网络能够学习，如何执行对未来量子计算机操作至关重要的任务：量子纠错。甚至通过充分的训练，这种方法有望超过其他纠错策略。

要了解它涉及的内容，你需要了解量子计算机的工作方式。量子信息的基础是量子比特或量子比特。与传统的数字比特不同，量子比特不仅可以采用零和一的两个状态，而且可以采用两种状态的叠加。在量子计算机的处理器中，甚至有多个量子位作为联合状态的一部分叠加。这种纠缠解释了量子计算机在解决传统计算机注定要失败的某些复杂任务时的巨大处理能力。缺点是量子信息对其环境噪声非常敏感。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，即量子纠错。然而，这需要的操作不仅复杂，而且必须保持量子信息本身的完整。

量子纠错就像是一个带有奇怪规则的Go游戏

“你可以把量子计算机的元素想象成就像一块棋盘，”Marquardt博士说，他正在探索项目背后的核心理念。量子位像碎片一样分布在黑板上。然而，与传统的Go游戏有一些关键的区别：所有的棋子都已经分布在棋盘上，白色在一边，另一边是黑色的。一种颜色对应于状态0，另一种对应于状态0，在量子Go游戏中，一个动作涉及到将棋子翻过来。根据量子世界的规则，棋子也可以采用灰色混合色，表示量子态的叠加和纠缠。

当谈到玩游戏时，玩家——我们称她为Alice，做出旨在保留代表某种量子状态的模式的动作。这些是量子纠错操作。与此同时，她的对手竭尽全力摧毁这种模式。这代表了实际量子比特从其环境中经受的过多干扰的恒定噪声。此外，量子游戏的游戏特别难以通过一种特殊的量子规则：Alice不允许在游戏中看棋盘。任何能够揭示量子比特状态的瞥见都会摧毁游戏目前占据的敏感量子状态。问题是：这样她怎么能做出正确的举动？

辅助量子位揭示了量子计算机中的缺陷

在量子计算机中，通过在存储实际量子信息的量子位之间定位附加量子位来解决该问题。可以采取偶尔的测量来监视这些辅助量子位的状态，允许量子计算机的控制器识别故障所在的位置，并对这些区域中的信息携带量子位执行校正操作。在我们的量子Go游戏中，辅助量子位将由在实际游戏棋子之间分配的附加部分来表示。Alice可以偶尔看一下，但只能看这些辅助部分。

在埃尔兰根研究人员的工作中，Alice的角色由人工神经网络完成。我们的想法是，通过培训，网络将在这一角色中变得如此擅长，甚至可以超越智能人类思维所设计的纠正策略。然而，当团队研究一个涉及五个模拟量子位的例子时，他们能够证明仅有一个人工神经网络是不够的。由于网络只能收集有关量子位状态的少量信息，或者更确切地说是量子Go游戏，它永远不会超越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。

一个神经网络使用其先前的知识来训练另一个

解决方案以附加神经网络的形式出现，充当第一网络的教师。凭借其对待控制的量子计算机的先验知识，该教师网络能够训练其他网络，从而指导其成功量子校正的尝试。然而，首先，教师网络本身需要充分了解量子计算机或其要控制的组件。

原则上，人工神经网络使用奖励系统进行训练，就像他们的自然模型一样。提供实际奖励以通过量子误差校正成功恢复原始量子态。“然而，如果实现这一长期目标的实现给予了奖励，那么在众多的修正尝试中，它将会来得太晚，”Marquardt解释道。因此，位于埃尔兰根的研究人员开发了一种奖励系统，即使在训练阶段，也会激励教师神经网络采用有前景的策略。在量子Go游戏中，这个奖励系统将为Alice提供给定时间游戏的一般状态的指示，而不会泄露细节。

学生网络可以通过自己的行动超越其老师

“我们的第一个目标是让教师网络学会在没有人工协助的情况下进行成功的量子纠错操作，”Marquardt表示。与学生网络不同，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做到这一点。由教师网络训练的学生网络最初会同样好，但通过自己的行为可以变得更好。

除了量子计算机中的纠错之外，Florian Marquardt还设想了AI的其他应用。在他看来，物理学提供了许多系统，可以因人工神经网络模式识别受益。