帖子
勛章
關注
任務
人工智能力助量子誤差矯正 量子計算機可以解決傳統(tǒng)計算機不能處理的復雜任務，但由于量子態(tài)對環(huán)境的恒定干擾極其敏感，使得量子計算機難以實際應用。而基于量子誤差校正的主動防護措施可解決量子態(tài)的抗干擾問題。該研究受2016年圍棋計算機系統(tǒng)AlphaGo的啟發(fā)，嘗試利用神經(jīng)網(wǎng)絡算法進行量子誤差校正。圍棋游戲中的生成對抗網(wǎng)絡在訓練過程總可以自動產(chǎn)生同分布的樣本，且具有人類難以達到的計算能力，因此這種人工神經(jīng)網(wǎng)絡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)絡算法是計算機科學領域的最新研究，該算法模擬了人類大腦相互連接的神經(jīng)元結構，用于此次研究的神經(jīng)網(wǎng)絡算法中，每個人工神經(jīng)元就與另外多達兩千個神經(jīng)元相連接。 研究主要內容可概括為如下幾點： 1.人工神經(jīng)網(wǎng)絡優(yōu)于其他糾錯策略 量子計算機的基礎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)進行疊加。這種量子糾纏使得量子計算機能夠解決傳統(tǒng)計算機無法處理的復雜任務。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)絡在訓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”。“量子圍棋游戲”還有一條特殊規(guī)則，當你在移動棋子實現(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中的缺陷 在量子計算機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，量子計算機的控制器就能定位錯誤并進行相應的矯正，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)絡擔任“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)絡仍不足以收集足夠的量子信息，實驗結果表明，單個的神經(jīng)網(wǎng)絡在訓練過程中不但沒有達到重建量子信息的目的，反而造成的相反的結果。 4.利用一個網(wǎng)絡訓練獲得的先驗知識訓練另外一個網(wǎng)絡 該項研究添加了一個充當“老師”角色的附加網(wǎng)絡，該“老師網(wǎng)絡”通過其操控量子計算機室獲得的先驗知識去訓練另外一個“學生網(wǎng)路”，使其能夠進行正確的量子矯正。該設計的前提是“老師網(wǎng)絡”足夠了解其操控的量子計算機機器組成部件。 人工神經(jīng)網(wǎng)絡原則上是通過激勵系統(tǒng)進行訓練的。一次恢復量子初始狀態(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，如果只以訓練結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)，使得在訓練階段也能夠激勵“老師網(wǎng)絡”采用更有前景的策略。類比在“量子圍棋游戲”中，該獎勵機制可以在不透露“棋局”細節(jié)的情況下在特定時間對“棋手”進行游戲狀態(tài)提示。 5.學生網(wǎng)絡通過自身行為可以在性能上超過老師網(wǎng)絡 |
