2018年9月27日，德国马克斯·普朗克光学研究所所长弗洛里安·马夸特（Florian Marquardt）及其团队在物理期刊physical review X上发表论文《增强学习神经网络在量子反馈中的应用》，该论文提出了一种基于人工智能算法的量子误差校正系统。

量子计算机可以解决传统计算机不能处理的复杂任务，但由于量子态对环境的恒定干扰极其敏感，使得量子计算机难以实际应用。而基于量子误差校正的主动防护措施可解决量子态的抗干扰问题。该研究受2016年围棋计算机系统AlphaGo的启发，尝试利用神经网络算法进行量子误差校正。围棋游戏中的生成对抗网络在训练过程总可以自动产生同分布的样本，且具有人类难以达到的计算能力，因此这种人工神经网络算法能够满足量子误差校正的计算需求。马夸特解释称，该项研究利用的人工神经网络算法是计算机科学领域的最新研究，该算法模拟了人类大脑相互连接的神经元结构，用于此次研究的神经网络算法中，每个人工神经元就与另外多达两千个神经元相连接。

研究主要内容可概括为如下几点：

（1）人工神经网络优于其他纠错策略

量子计算机的基础是量子信息中的量子位，与传统数字比特只有0、1两种状态不同，量子位可以将两种状态进行叠加。这种量子纠缠使得量子计算机能够解决传统计算机无法处理的复杂任务。但是量子信息对环境中的噪声非常敏感，因此在量子计算工程中需要不断纠正量子信息。这种操作不仅复杂，而且纠正过程需要保证量子信息的完整。该论文指出，生成对抗网络在训练过程中生成同分布样本的特性完美符合量子误差校正的特点。

（2）量子误差校正类似于一个具有特殊游戏规则的AlphaGo游戏

马夸特在介绍该研究的工作原理时提出了一个有趣的对比：把量子计算机的计算元件类比为AlphaGo游戏中的棋盘，黑白棋子表示量子位0和1，不同的是，量子计算机还具有一种灰色的表示叠加量子位的“棋子”，而且这些表示量子位的“棋子”已经摆放在棋盘上。进行量子误差矫正实现某种量子态的过程类似于移动棋子使棋盘上显示某种特定图案，而周围环境的噪声就是下棋时的“对手”。“量子围棋游戏”还有一条特殊规则，当你在移动棋子实现量子误差校正时是不知道“棋盘”上的状态的,因此量子误差校正的目的可以抽象成如何在这样一种奇怪的“棋局规则”下，将“棋子”移动到正确的位置。

（3）辅助量子位揭示了量子计算机中的缺陷

在量子计算机中引入了辅助量子位，并将其定位在储存实际量子信息的量子位之间。通过监控这些辅助量子位，量子计算机的控制器就能定位错误并进行相应的矫正，类比在“量子围棋游戏”中，辅助量子位就是一些分布在实际棋子之间的附加棋子，棋手只能通过观察这些附加棋子来决定实际棋子的下一步走法。该研究最初的想法是用一个人工神经网络担任“棋局游戏”中“棋手”的角色，但是实际试验表明，即使是很小规模的只包括五个模拟量子位的计算，单个神经网络仍不足以收集足够的量子信息，实验结果表明，单个的神经网络在训练过程中不但没有达到重建量子信息的目的，反而造成的相反的结果。

（4）利用一个网络训练获得的先验知识训练另外一个网络

该项研究添加了一个充当“老师”角色的附加网络，该“老师网络”通过其操控量子计算机室获得的先验知识去训练另外一个“学生网路”，使其能够进行正确的量子矫正。该设计的前提是“老师网络”足够了解其操控的量子计算机机器组成部件。

人工神经网络原则上是通过激励系统进行训练的。一次恢复量子初始状态的量子矫正被视为一次正确的激励。然而，在该论文的研究中，如果只以训练结果作为一次争取的激励的话，对量子矫正过程就太迟了，因此研究人员开发了一种新的激励系统，使得在训练阶段也能够激励“老师网络”采用更有前景的策略。类比在“量子围棋游戏”中，该奖励机制可以在不透露“棋局”细节的情况下在特定时间对“棋手”进行游戏状态提示。

（5）学生网络通过自身行为可以在性能上超过老师网络

马夸特指出，该系统的首要目标是在无人为干扰的情况下进行有效的量子矫正。“老师网络”可以基于度量结果和量子计算机的整体量子状态达到该目的，而“学生网络”利用“老师网络”的先验知识训练后，不仅可以达到“老师网络”的同等效果，而且可以通过自身行为达到更有效果。

马夸特最后还指出，基于人工智能的模式识别不仅可以应用于量子矫正，而且在物理学的其他领域也能起到有效作用。