德國馬克斯·普朗克光學(xué)研究所的研究人員提出一種基于人工智能算法的量子糾錯系統(tǒng)，通過足夠的訓(xùn)練，這種方法有望超過其他糾錯策略。

量子計算機(jī)可以解決傳統(tǒng)計算機(jī)無法完成的復(fù)雜任務(wù)。然而，量子態(tài)（quantum states）對來自外界的持續(xù)干擾極其敏感。研究人員希望使用基于量子糾錯（quantum error correction）的主動保護(hù)來解決這個問題。

近日，德國馬克斯·普朗克光學(xué)研究所所長Florian Marquardt及其團(tuán)隊在物理期刊physical review X上發(fā)表論文Reinforcement Learning with Neural Networks for Quantum Feedback，提出一種基于人工智能算法的量子糾錯系統(tǒng)。

2016年，人工智能程序AlphaGo在圍棋比賽中擊敗了世界上最強(qiáng)的人類棋手，舉世矚目。鑒于一局圍棋中的移動組合比估計的宇宙中的原子的數(shù)量更多，它需要的不僅僅是處理能力。相反，AlphaGo利用了人工神經(jīng)網(wǎng)絡(luò)，它可以識別視覺模式，甚至能夠?qū)W習(xí)。與人類不同，AlphaGo能夠在短時間內(nèi)練習(xí)下數(shù)十萬局圍棋，最終得以超越最優(yōu)秀的人類棋手。

馬克斯·普朗克研究所的研究人員正試圖利用這種神經(jīng)網(wǎng)絡(luò)為量子計算機(jī)開發(fā)糾錯學(xué)習(xí)的系統(tǒng)。

人工神經(jīng)網(wǎng)絡(luò)是一種模擬相互連接的神經(jīng)細(xì)胞（神經(jīng)元）行為的計算機(jī)程序——在這項研究中，大約有2000人工神經(jīng)元相互連接。

“我們從計算機(jī)科學(xué)中獲取最新的想法，并將其應(yīng)用到物理系統(tǒng)，”Florian Marquardt說：“這樣，我們可以從快速進(jìn)步的AI領(lǐng)域獲益。”

學(xué)習(xí)量子糾錯：神經(jīng)網(wǎng)絡(luò)在執(zhí)行任務(wù)時，人工神經(jīng)元活動的可視化

圖片來源：馬克斯普朗克光學(xué)研究所

該研究的主要想法可以概括為一下幾點(diǎn)：

人工神經(jīng)網(wǎng)絡(luò)或能夠超過其他糾錯策略

在論文中，該團(tuán)隊證明了人工神經(jīng)網(wǎng)絡(luò)能夠自我學(xué)習(xí)如何執(zhí)行一項對未來量子計算機(jī)操作至關(guān)重要的任務(wù)——量子糾錯。甚至通過足夠的訓(xùn)練，這種方法有望超過其他糾錯策略。

為了理解它的工作原理，首先需要了解量子計算機(jī)的工作方式。量子信息的基礎(chǔ)是量子比特（quantum bit，或qubit）。與傳統(tǒng)的數(shù)字比特不同，量子比特不僅可以采用0和1兩個態(tài)，而且可以采用兩種態(tài)的疊加。

在量子計算機(jī)的處理器中，甚至有多個量子比特作為聯(lián)合態(tài)的一部分疊加在一起。這種糾纏讓量子計算機(jī)具有解決某些復(fù)雜任務(wù)的強(qiáng)大處理能力，而這些任務(wù)是傳統(tǒng)計算機(jī)毫無辦法的。

但是，量子信息對環(huán)境噪聲非常敏感。量子世界的這一特性意味著量子信息需要定期修正——即量子糾錯。然而，量子糾錯需要的操作不僅復(fù)雜，而且必須要保持量子信息本身的完整。

量子糾錯就像一場規(guī)則奇特的圍棋游戲

Marquardt在介紹該研究的工作原理時提出了一個有趣的類比，他說：“你可以把量子計算機(jī)的元素想象成一塊圍棋棋盤，量子比特像棋子一樣分布在整個棋盤上。”但是，與傳統(tǒng)的圍棋游戲相比有一些關(guān)鍵的區(qū)別：所有棋子都已經(jīng)排列在棋盤上，而且每一枚棋子都是一面是白色一面黑色。一種顏色對應(yīng)0，另一種顏色對應(yīng)1，并且量子圍棋游戲中的移動相當(dāng)于將棋子翻過來。根據(jù)量子世界的規(guī)則，棋子也可以是黑白混合在一起的灰色——代表量子態(tài)的疊加和糾纏。

在玩這個量子圍棋游戲時，玩家——讓我們稱她為Alice——做出的動作是為了保留代表某種量子態(tài)的模式。這就是量子糾錯操作。與此同時，她的對手竭盡全力摧毀這種模式。這代表實(shí)際的量子比特在其環(huán)境中經(jīng)受的過多干擾的持續(xù)噪聲。此外，量子圍棋游戲難度特別大，因為還有一條特殊的量子規(guī)則：Alice是不允許看到棋盤的。只要一瞥見任何能揭示量子比特狀態(tài)的場景，都會摧毀游戲目前敏感的量子狀態(tài)。

問題是：在這么多限制下，她如何才能做出正確的舉動？

輔助量子比特揭示了量子計算機(jī)中的缺陷

在量子計算機(jī)中，這個問題是通過在存儲實(shí)際量子信息的量子比特之間定位額外量子比特來解決的。可以采取間斷的測量來監(jiān)視這些輔助量子比特的狀態(tài)，允許量子計算機(jī)的控制器識別故障所在的位置，并對這些區(qū)域中攜帶信息的量子比特執(zhí)行糾錯操作。

在作為類比的量子圍棋游戲中，輔助量子比特由在實(shí)際游戲棋子之間分布的輔助棋子來表示。Alice可以偶爾看一眼，但只能看這些輔助棋子。

在這個研究中，Alice的角色由人工神經(jīng)網(wǎng)絡(luò)完成。研究人員的想法是，通過訓(xùn)練，網(wǎng)絡(luò)將變得非常擅長這個角色，甚至可以超越人類所設(shè)計的糾正策略。

然而，當(dāng)該團(tuán)隊研究一個包含五個模擬量子比特的例子時，他們發(fā)現(xiàn)僅用一個人工神經(jīng)網(wǎng)絡(luò)是不夠的。由于網(wǎng)絡(luò)只能收集關(guān)于量子比特狀態(tài)的少量信息，它永遠(yuǎn)無法超越隨機(jī)試錯的策略。最終，這些嘗試破壞了量子態(tài)，而不是糾正它。

一個神經(jīng)網(wǎng)絡(luò)使用它的先驗知識來訓(xùn)練另一個神經(jīng)網(wǎng)絡(luò)

解決方案是加一個額外的神經(jīng)網(wǎng)絡(luò)，作為第一個網(wǎng)絡(luò)的教師（teacher）。憑借其對量子計算機(jī)的先驗知識，該教師網(wǎng)絡(luò)能夠訓(xùn)練其他網(wǎng)絡(luò)——也就是它的學(xué)生——從而引導(dǎo)網(wǎng)絡(luò)成功地進(jìn)行量子糾錯。但是，首先，教師網(wǎng)絡(luò)本身需要充分了解量子計算機(jī)或需要控制的量子計算機(jī)組件。

原則上，人工神經(jīng)網(wǎng)絡(luò)使用獎勵系統(tǒng)進(jìn)行訓(xùn)練。對于量子糾錯系統(tǒng)，要成功恢復(fù)原始量子態(tài)，實(shí)際的獎勵是必要的。

“然而，如果在實(shí)現(xiàn)這個長期目標(biāo)后再給予獎勵，它需要嘗試許多次糾錯，實(shí)現(xiàn)目標(biāo)需要的時間太長，”Marquardt解釋說。

因此，他們開發(fā)了一種獎勵系統(tǒng)，即在訓(xùn)練階段也能激勵教師神經(jīng)網(wǎng)絡(luò)采用有效的策略。在量子圍棋游戲中，這個獎勵系統(tǒng)將為Alice提供給定時間內(nèi)游戲的總體狀態(tài)，但不泄露細(xì)節(jié)。

學(xué)生網(wǎng)絡(luò)可以通過自己的行動超越老師

“我們的第一個目標(biāo)是讓教師網(wǎng)絡(luò)學(xué)會在沒有人工協(xié)助的情況下成功地實(shí)現(xiàn)量子糾錯操作，”Marquardt說。與學(xué)生網(wǎng)絡(luò)不同，教師網(wǎng)絡(luò)不僅可以基于測量結(jié)果，還可以基于計算機(jī)的整體量子狀態(tài)來做到這一點(diǎn)。由教師網(wǎng)絡(luò)訓(xùn)練的學(xué)生網(wǎng)絡(luò)一開始會變得同樣好，但通過自己的行為，可以變得更好。

除了量子計算機(jī)中的糾錯之外，F(xiàn)lorian Marquardt還設(shè)想了人工智能的其他應(yīng)用。在他看來，物理學(xué)提供了許多系統(tǒng)，可以受益于人工神經(jīng)網(wǎng)絡(luò)的模式識別。