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纠错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人工智能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球员。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游戏。现在，位于埃尔兰根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解释道。“通过这样做，我们可以从人工智能领域的快速进步中获益。”

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为自己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。甚至有望通过充分的培训，这种方法将超过其他纠错策略。

要了解它涉及的内容，您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，

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像Go板一样，”Marquardt说，他正在探讨他的项目背后的核心理念。量子比特像棋子一样分布在整个棋盘上。然而，与传统的Go游戏存在一些关键差异：所有棋子都已经分布在棋盘上，而且每一块都是一面是白色而另一面是黑色。一种颜色对应于状态零，另一种颜色对应于一种颜色，而量子围棋游戏中的移动则涉及将棋子翻过来。根据量子世界的规则，这些碎片也可以采用灰色混合色，代表量子态的叠加和纠缠。

当谈到玩游戏时，玩家 - 我们称她为爱丽丝 - 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，她的对手竭尽所能摧毁这种模式。这代表了实际量子比从环境中经受的过多干扰的恒定噪声。此外，量子围棋的游戏因特殊的量子规则而变得特别困难：爱丽丝不允许在比赛期间看着棋盘。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：尽管如此，她怎么能做出正确的举动?

辅助量子位显示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。在我们的量子围棋游戏中，辅助量子比特将由在实际游戏棋子之间分配的附加部分来表示。允许爱丽丝偶尔看一下，但只能看这些辅助件。

在埃尔兰根研究人员的工作中，爱丽丝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比特的例子时，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的游戏，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 - 其学生 - 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得到了回报，那么在众多修正尝试的阶段就会来得太晚，”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，即使在培训阶段，也会激励教师神经网络采用有前景的策略。在量子围棋的游戏中，这个奖励系统将为爱丽丝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说。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实现。由教师网络培训的学生网络最初会同样好，但通过自己的行动可以变得更好。

除了量子计算机中的纠错外，Florian Marquardt还设想了人工智能的其他应用。在他看来，物理学提供了许多系统，可以通过人工神经网络使用模式识别。