量子计算机算法错的,人工智能实现量子计算机的纠错算法

摘要：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。马克斯普朗克光学研究所提出了一种能够通过人工智能学习的量子纠错系统。

2016年，AlphaGo程序战胜围棋世界冠军李世石的事迹让世人充分领略了人工智能(AI)系统的威力。鉴于围棋棋子的组合可能性数量超过宇宙中的原子数，所以人工智能的优胜之处也并不只在于其计算能力强。事实上，AlphaGo的突破在于基于神经网络的深度学习。它在短时间内左右互搏，通过几十万盘棋的实战形成了人类难以比拟的经验，最终超越了最优秀的人类选手。现在，德国马克斯普朗克光学研究所的团队正在利用神经网络为量子计算机开发纠错算法。

关心科技发展的朋友都听说过量子计算这项前沿技术：量子信息的基础是量子位，也称量子比特。与传统的数字比特不同，量子位不仅可以采用0和1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，甚至可以由多个量子位叠加为一个联合状态。量子计算机相比于传统计算机的优势就在这里，它具有执行复杂任务时的巨大处理能力。

但随之而来的一个缺陷是：量子信息对其环境噪声非常敏感：量子信息需要定期修复，这也称为量子纠错。这种操作极其细微复杂，既要去除噪声，又要保持量子信息本身不变。

研究团队负责人，马克斯普朗克光学研究所所长Florian Marquardt说：“你可以想象量子计算机就像围棋棋盘一样。”量子比特像棋子一样分布在整个棋盘上。与普通围棋不一样的地方在于，所有棋子一开始就摆在了在棋盘上，而且每一个棋子都是一面是白色(代表0)，另一面是黑色(代表1)；走子就是把颜色倒转过来。根据量子世界的规则，棋子也可以是混合色，代表量子态的叠加和纠缠。

按照这个比喻，下棋的一方是我们支持的选手(假设她是个名叫爱丽丝的女棋手)，她要保证量子状态的稳定，专门负责纠错。她的对手则全力制造干扰和噪声。麻烦的是，爱丽丝在下棋时不能直接看棋子，因为量子状态特别敏感，稍微一做观察，就会影响棋子的状态——那么，爱丽丝该怎么正确操作呢？

为了让爱丽丝能执行纠错，科学家发明了“附加量子位”来解决这个问题：在存储实际信息的量子位之间插入“附加位”，相当于在真棋子中间摆上假棋子。监控这些附加位的状态，就能判断哪些位置的信息出了错误，而且还能对相应的量子位执行纠错。爱丽丝下棋的方法就是借助“假棋子”来控制“真棋子”。

德国马克斯普朗克光学研究所研究团队的工作，就是让人工神经网络来承担起“爱丽丝”的任务，通过观察附加量子位来完成纠错。我们知道，神经网络经过训练后特别擅长预测错误，能够形成出色的纠错策略和算法。但是量子计算机在这方面又形成了一个特殊的挑战：神经网络能获取的量子位数据量太少了，因此很难超越随机的尝试-出错阶段，非但没能纠错，而且还会破坏量子位的状态。

针对这种情况，研究团队开发出了一种“两重网络”的架构。第一层网络是“学生网络”，负责实际纠正量子位；第二层则是“教师网络”，它负责训练、指导学生网络。

学生网络与教师网络的区别在于，学生网络只能通过实际测量结果进行操作，而教师网络则除了实际测量信息外，还能前瞻性地掌握量子计算机的整体状态。假设学生网络是棋手“爱丽丝”，教师网络就是她的教练。教练在爱丽丝做出正确操作时给予奖励，帮助她提升准确率。但根据实际测量状态来判断正误耗时太长，奖励来得太晚，不足以让爱丽丝练出高超棋艺。研究人员通过“前瞻奖励机制”，让教师网络(教练)了解量子计算机的整体状态，从而及时给学生网络(爱丽丝)奖励，而又不至于提前泄露细节。通过这样的训练，最终学生网络的纠错能力超过了教师网络，形成了高精度的量子纠错算法。

人工智能技术在量子计算纠错中的应用无疑增强了马克斯普朗克光学研究所对这项技术的研究兴趣。研究人员表示，物理学还有其他不少的问题都能通过神经网络技术加以解决。我们不妨拭目以待！