PRL：机器学习助力更好的量子纠错！

光子盒研究院

日本理化学研究所(RIKEN)量子计算中心的研究人员利用机器学习为量子计算机进行纠错——这是使这些设备实用化的关键一步。

这项研究以“Approximate Autonomous Quantum Error Correction with Reinforcement Learning”为题，发表在《物理评论快报》（Physical Review Letters）杂志上。

他们使用的自主纠错系统尽管是近似的，但能有效地确定如何最好地进行必要的纠错。

经典计算机的比特只能取基本的0和1值，而量子计算机的比特是“量子比特”，它可以是计算基态的任意叠加态。量子纠缠是连接不同量子比特的另一种量子特性，它超越了经典手段；与量子纠缠相结合，使量子计算机能够执行全新的操作，从而在某些计算任务（如大规模搜索、优化问题和密码学）中具有潜在优势。

将量子计算机付诸实践的主要挑战来自量子叠加极其脆弱的性质。事实上，微小的扰动（例如无处不在的环境所引起的扰动）会产生误差，迅速破坏量子叠加，从而使量子计算机失去优势。

为了克服这一障碍，人们开发了复杂的量子纠错方法。虽然从理论上讲，这些方法可以成功中和误差的影响，但它们往往会带来设备复杂性的巨大开销，而设备复杂性本身就容易出错，因此甚至可能增加出错的风险。因此，成熟的纠错技术仍然难以实现。

在这项工作中，研究人员利用机器学习寻找既能最大限度减少设备开销，又能保持良好纠错性能的纠错方案。为此，他们重点研究了量子纠错的自主方法，即用巧妙设计的人工环境取代频繁的错误检测测量。

他们还研究了“玻色子量子比特编码”：例如，目前最有前途和最广泛使用的一些基于超导电路的量子计算机器就采用了这种编码。

在广阔的玻色子量子比特编码搜索空间中寻找高性能候选编码是一项复杂的优化任务，研究人员利用强化学习这种先进的机器学习方法来解决这一问题。

通过这种方法，该研究小组发现，一种令人惊讶的简单近似量子比特编码不仅可以大大降低设备的复杂性，而且在纠错能力方面优于其他竞争对手。

(a)说明近似量子纠错(AQEC)过程的能级图。(b)强化学习(RL)代理与编码系统之间的循环学习过程。(c)AQEC性能比较。(d)t=30 µs时，RL编码的状态保真度F(θ,φ,t)与角度θ和φ的关系。

(a)拟议的系统-环境耦合。(b) 在这种耦合条件下，RL的平均保真度。

论文的第一作者Yexiong Zeng表示：“我们的工作不仅展示了将机器学习应用于量子纠错的潜力，还可能使我们离在实验中成功实现量子纠错更近了一步。”

“机器学习在解决大规模量子计算和优化挑战方面可以发挥关键作用。目前，我们也正在积极参与一些整合机器学习、人工神经网络、量子纠错和量子容错的项目。”

参考链接：

[1]https://phys.org/news/2023-09-machine-contributes-quantum-error.html

[2]https://www.innovationnewsnetwork.com/quantum-error-correction-improved-machine-learning/37101/