量子計算機可以解決超出常規(guī)計算機功能范圍的復雜任務
量子計算機可以解決超出常規(guī)計算機功能范圍的復雜任務。但是，量子態(tài)對來自其環(huán)境的持續(xù)干擾極為敏感。計劃是使用基于量子校正的主動保護來解決這一問題。馬克斯·普朗克光科學研究所所長弗洛里安·馬夸特(Florian Marquardt)和他的團隊現(xiàn)在提出了一種量子校正系統(tǒng)，該系統(tǒng)能夠借助人工智能進行學習。
訓練中的糾錯學習：圖像在解決任務時將Erlangen研究人員的神經(jīng)網(wǎng)絡中的人工神經(jīng)細胞活動可視化。圖片來源：馬克斯·普朗克光科學研究所
2016年，計算機程序AlphaGo在與世界上最佳人類選手對抗的五場圍棋比賽中贏得了四場比賽。鑒于圍棋游戲具有的移動組合超過了估計的宇宙原子數(shù)，因此這不僅僅是純粹的處理能力。相反，AlphaGo使用了人工神經(jīng)網(wǎng)絡，該網(wǎng)絡可以識別視覺模式，甚至能夠學習。與人類不同，該程序能夠在短時間內(nèi)練習數(shù)十萬種游戲，最終超越了最佳人類玩家?，F(xiàn)在，基于Erlangen的研究人員正在使用這種神經(jīng)網(wǎng)絡來開發(fā)量子計算機的糾錯學習。
人工神經(jīng)網(wǎng)絡是模仿互連神經(jīng)細胞(神經(jīng)元)行為的計算機程序-在Erlangen的研究中，大約有2,000個人工神經(jīng)元相互連接。“我們采用計算機科學的最新思想，并將其應用于物理系統(tǒng)，” Florian Marquardt解釋說。“通過這樣做，我們將從人工智能領域的快速進步中受益。”
人工神經(jīng)網(wǎng)絡可以超越其他糾錯策略
如最近的論文所示，第一個應用領域是量子計算機，其中包括位于埃爾蘭根的馬克斯·普朗克研究所的博士生托馬斯·福塞爾(ThomasFösel)做出的重大貢獻。在論文中，該團隊證明了具有AlphaGo啟發(fā)式架構的人工神經(jīng)網(wǎng)絡能夠自行學習如何執(zhí)行對未來量子計算機的運行至關重要的任務：量子校正。甚至有可能，經(jīng)過足夠的培訓，這種方法將超越其他錯誤糾正策略。
要了解其中涉及的內(nèi)容，您需要查看量子計算機的工作方式。量子信息的基礎是量子位或量子位。與傳統(tǒng)的數(shù)字位不同，量子位不僅可以采用零和一兩種狀態(tài)，還可以采用兩種狀態(tài)的疊加。在量子計算機的處理器中，甚至有多個量子位被疊加為聯(lián)合狀態(tài)的一部分。當解決傳統(tǒng)計算機注定要失敗的某些復雜任務時，這種糾纏解釋了量子計算機的巨大處理能力。缺點是量子信息對來自其環(huán)境的噪聲高度敏感。量子世界的這種和其他特性意味著，量子信息需要定期修復-即量子校正。然而，
量子糾錯就像是使用奇怪規(guī)則的圍棋游戲
“您可以想象量子計算機的元素就像一塊Go板，” Marquardt說到他的項目背后的核心思想。量子位像塊一樣分布在整個板上。但是，與傳統(tǒng)的圍棋游戲有一些關鍵區(qū)別：所有棋子都已經(jīng)分布在棋盤上，并且每一個棋子的一側是白色，而另一側是黑色。一種顏色對應于狀態(tài)零，另一種顏色對應于狀態(tài)零，并且在Quantum Go游戲中的移動涉及翻轉零件。根據(jù)量子世界的規(guī)則，這些碎片還可以采用灰色混合顏色，這些顏色代表了量子態(tài)的疊加和糾纏。
在玩游戲時，玩家(我們稱她為愛麗絲)進行舉動旨在保留代表特定量子態(tài)的模式。這些是量子校正操作。同時，她的對手竭盡所能破壞格局。這代表了真實量子比特從其環(huán)境中受到的過多干擾所產(chǎn)生的持續(xù)噪聲。此外，量子Go游戲因特殊的量子規(guī)則而變得特別困難：不允許愛麗絲在游戲過程中查看棋盤。向她揭示量子位狀態(tài)的每一次瞥見都會破壞游戲當前所占據(jù)的敏感量子狀態(tài)。問題是：盡管如此，她如何才能采取正確的行動?
在量子計算機中，通過在存儲實際量子信息的量子位之間放置其他量子位來解決此問題?？梢赃M行偶爾的測量來監(jiān)視這些輔助量子位的狀態(tài)，從而使量子計算機的控制器能夠識別出故障所在，并對這些區(qū)域中的信息承載量子位執(zhí)行校正操作。在我們的量子圍棋游戲中，輔助量子位將由實際游戲棋子之間分配的其他棋子表示。允許愛麗絲偶爾看，但只能看這些輔助部分。
在Erlangen研究人員的工作中，愛麗絲的角色是由人工神經(jīng)網(wǎng)絡執(zhí)行的。這個想法是，通過培訓，網(wǎng)絡將很好地發(fā)揮這一作用，以至于它們甚至可以超越智能人腦設計的糾正策略。但是，當團隊研究一個涉及五個模擬量子位的示例(對于傳統(tǒng)計算機仍然可以管理的數(shù)量)時，他們能夠證明僅憑一個人工神經(jīng)網(wǎng)絡還不夠。由于網(wǎng)絡只能收集有關量子位狀態(tài)或量子圍棋游戲的少量信息，因此它永遠不會超出隨機試驗和錯誤的階段。最終，這些嘗試破壞了量子態(tài)而不是恢復它。
該解決方案以附加神經(jīng)網(wǎng)絡的形式出現(xiàn)，該神經(jīng)網(wǎng)絡充當?shù)谝粋€網(wǎng)絡的教師。憑借對要控制的量子計算機的先驗知識，該教師網(wǎng)絡能夠訓練另一個網(wǎng)絡(即學校的學生)，從而指導其成功進行量子校正的嘗試。但是，首先，教師網(wǎng)絡本身需要對量子計算機或其要控制的組件有足夠的了解。
原則上，就像其自然模型一樣，使用獎勵系統(tǒng)訓練人工神經(jīng)網(wǎng)絡。實際的回報是通過量子校正成功地恢復了原始的量子狀態(tài)。“但是，如果這個長遠目標是您所定義的唯一獎勵，那么它將在眾多的矯正嘗試中為時已晚，” Marquardt解釋說。因此，基于埃爾蘭根的研究人員開發(fā)了一種獎勵系統(tǒng)，即使在培訓階段，該系統(tǒng)也能激勵教師神經(jīng)網(wǎng)絡采取有前途的策略。在量子圍棋游戲中，該獎勵系統(tǒng)將在給定時間為愛麗絲提供游戲總體狀態(tài)的指示，而不會泄露細節(jié)。
“我們的首要目標是讓教師網(wǎng)絡學習如何在無需人工協(xié)助的情況下成功完成量子校正操作，”馬夸特(Marquardt)說。與學校學生網(wǎng)絡不同，教師網(wǎng)絡不僅可以基于測量結果，而且可以基于計算機的整體量子狀態(tài)來執(zhí)行此操作。然后，由教師網(wǎng)絡訓練的學校學生網(wǎng)絡起初將同樣出色，但通過其自身的行動可能會變得更好。
除了量子計算機中的糾錯之外，F(xiàn)lorian Marquardt還設想了這種人工智能的其他應用。他認為，物理學提供了許多系統(tǒng)，這些系統(tǒng)可以從人工神經(jīng)網(wǎng)絡對模式識別的使用中受益。