一種基于人工智能算法的量子誤差校正系統(tǒng)

德國馬克斯·普朗克光學(xué)研究所所長弗洛里安·馬夸特（Florian Marquardt）及其團(tuán)隊在物理期刊physical review X上發(fā)表論文《增強(qiáng)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在量子反饋中的應(yīng)用》，提出了一種基于人工智能算法的量子誤差校正系統(tǒng)。

量子計算機(jī)可以解決傳統(tǒng)計算機(jī)不能處理的復(fù)雜任務(wù)，但由于量子態(tài)對環(huán)境的恒定干擾極其敏感，使得量子計算機(jī)難以實際應(yīng)用。而基于量子誤差校正的主動防護(hù)措施可解決量子態(tài)的抗干擾問題。該研究受2016年圍棋計算機(jī)系統(tǒng)AlphaGo的啟發(fā)，嘗試?yán)蒙窠?jīng)網(wǎng)絡(luò)算法進(jìn)行量子誤差校正。圍棋游戲中的生成對抗網(wǎng)絡(luò)在訓(xùn)練過程總可以自動產(chǎn)生同分布的樣本，且具有人類難以達(dá)到的計算能力，因此這種人工神經(jīng)網(wǎng)絡(luò)算法能夠滿足量子誤差校正的計算需求。馬夸特解釋稱，該項研究利用的人工神經(jīng)網(wǎng)絡(luò)算法是計算機(jī)科學(xué)領(lǐng)域的最新研究，該算法模擬了人類大腦相互連接的神經(jīng)元結(jié)構(gòu)，用于此次研究的神經(jīng)網(wǎng)絡(luò)算法中，每個人工神經(jīng)元就與另外多達(dá)兩千個神經(jīng)元相連接。

研究主要內(nèi)容可概括為如下幾點：

（1）人工神經(jīng)網(wǎng)絡(luò)優(yōu)于其他糾錯策略

量子計算機(jī)的基礎(chǔ)是量子信息中的量子位，與傳統(tǒng)數(shù)字比特只有0、1兩種狀態(tài)不同，量子位可以將兩種狀態(tài)進(jìn)行疊加。這種量子糾纏使得量子計算機(jī)能夠解決傳統(tǒng)計算機(jī)無法處理的復(fù)雜任務(wù)。但是量子信息對環(huán)境中的噪聲非常敏感，因此在量子計算工程中需要不斷糾正量子信息。這種操作不僅復(fù)雜，而且糾正過程需要保證量子信息的完整。該論文指出，生成對抗網(wǎng)絡(luò)在訓(xùn)練過程中生成同分布樣本的特性完美符合量子誤差校正的特點。

（2）量子誤差校正類似于一個具有特殊游戲規(guī)則的AlphaGo游戲

馬夸特在介紹該研究的工作原理時提出了一個有趣的對比：把量子計算機(jī)的計算元件類比為AlphaGo游戲中的棋盤，黑白棋子表示量子位0和1，不同的是，量子計算機(jī)還具有一種灰色的表示疊加量子位的“棋子”，而且這些表示量子位的“棋子”已經(jīng)擺放在棋盤上。進(jìn)行量子誤差矯正實現(xiàn)某種量子態(tài)的過程類似于移動棋子使棋盤上顯示某種特定圖案，而周圍環(huán)境的噪聲就是下棋時的“對手”?！傲孔訃逵螒颉边€有一條特殊規(guī)則，當(dāng)你在移動棋子實現(xiàn)量子誤差校正時是不知道“棋盤”上的狀態(tài)的,因此量子誤差校正的目的可以抽象成如何在這樣一種奇怪的“棋局規(guī)則”下，將“棋子”移動到正確的位置。

（3）輔助量子位揭示了量子計算機(jī)中的缺陷

在量子計算機(jī)中引入了輔助量子位，并將其定位在儲存實際量子信息的量子位之間。通過監(jiān)控這些輔助量子位，量子計算機(jī)的控制器就能定位錯誤并進(jìn)行相應(yīng)的矯正，類比在“量子圍棋游戲”中，輔助量子位就是一些分布在實際棋子之間的附加棋子，棋手只能通過觀察這些附加棋子來決定實際棋子的下一步走法。該研究最初的想法是用一個人工神經(jīng)網(wǎng)絡(luò)擔(dān)任“棋局游戲”中“棋手”的角色，但是實際試驗表明，即使是很小規(guī)模的只包括五個模擬量子位的計算，單個神經(jīng)網(wǎng)絡(luò)仍不足以收集足夠的量子信息，實驗結(jié)果表明，單個的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中不但沒有達(dá)到重建量子信息的目的，反而造成的相反的結(jié)果。

（4）利用一個網(wǎng)絡(luò)訓(xùn)練獲得的先驗知識訓(xùn)練另外一個網(wǎng)絡(luò)

該項研究添加了一個充當(dāng)“老師”角色的附加網(wǎng)絡(luò)，該“老師網(wǎng)絡(luò)”通過其操控量子計算機(jī)室獲得的先驗知識去訓(xùn)練另外一個“學(xué)生網(wǎng)路”，使其能夠進(jìn)行正確的量子矯正。該設(shè)計的前提是“老師網(wǎng)絡(luò)”足夠了解其操控的量子計算機(jī)機(jī)器組成部件。

人工神經(jīng)網(wǎng)絡(luò)原則上是通過激勵系統(tǒng)進(jìn)行訓(xùn)練的。一次恢復(fù)量子初始狀態(tài)的量子矯正被視為一次正確的激勵。然而，在該論文的研究中，如果只以訓(xùn)練結(jié)果作為一次爭取的激勵的話，對量子矯正過程就太遲了，因此研究人員開發(fā)了一種新的激勵系統(tǒng)，使得在訓(xùn)練階段也能夠激勵“老師網(wǎng)絡(luò)”采用更有前景的策略。類比在“量子圍棋游戲”中，該獎勵機(jī)制可以在不透露“棋局”細(xì)節(jié)的情況下在特定時間對“棋手”進(jìn)行游戲狀態(tài)提示。

（5）學(xué)生網(wǎng)絡(luò)通過自身行為可以在性能上超過老師網(wǎng)絡(luò)

馬夸特指出，該系統(tǒng)的首要目標(biāo)是在無人為干擾的情況下進(jìn)行有效的量子矯正?！袄蠋熅W(wǎng)絡(luò)”可以基于度量結(jié)果和量子計算機(jī)的整體量子狀態(tài)達(dá)到該目的，而“學(xué)生網(wǎng)絡(luò)”利用“老師網(wǎng)絡(luò)”的先驗知識訓(xùn)練后，不僅可以達(dá)到“老師網(wǎng)絡(luò)”的同等效果，而且可以通過自身行為達(dá)到更有效果。

馬夸特最后還指出，基于人工智能的模式識別不僅可以應(yīng)用于量子矯正，而且在物理學(xué)的其他領(lǐng)域也能起到有效作用。