RIKEN量子计算中心的研究人员利用机器学习对量子计算机进行纠错——这是使这些设备实用的关键一步——使用一种自动纠错系统，尽管是近似的，但可以有效地确定如何最好地进行必要的纠错。

　　这项研究发表在《物理评论快报》杂志上。

　　与经典计算机不同的是，经典计算机运行在只能取基本值0和1的比特上，量子计算机运行在“量子位”上，它可以假设计算基态的任何叠加。结合量子纠缠，另一种超越经典手段连接不同量子位的量子特性，这使得量子计算机能够执行全新的操作，在一些计算任务中产生潜在的优势，例如大规模搜索，优化问题和密码学。

　　将量子计算机付诸实践的主要挑战源于量子叠加态极其脆弱的本质。事实上，例如，由无处不在的环境所引起的微小扰动会产生错误，从而迅速破坏量子叠加态，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，它们可以成功地消除错误的影响，但它们通常会带来设备复杂性方面的巨大开销，这本身就容易出错，因此甚至可能增加错误的暴露。因此，全面的错误纠正仍然是难以捉摸的。

　　在这项工作中，研究人员利用机器学习来寻找纠错方案，以最大限度地减少设备开销，同时保持良好的纠错性能。为此，他们专注于量子纠错的自主方法，其中巧妙设计的人工环境取代了执行频繁错误检测测量的必要性。

　　他们还研究了“玻色子量子比特编码”，例如，它可以在一些目前最有前途和最广泛的基于超导电路的量子计算机器中使用。

　　在玻色子量子比特编码的巨大搜索空间中寻找高性能的候选者代表了一项复杂的优化任务，研究人员通过强化学习(一种先进的机器学习方法)来解决这个问题，其中代理探索一个可能的抽象环境来学习和优化其行动策略。

　　有了这个，研究小组发现，与其他提出的编码相比，一个惊人的简单，近似的量子比特编码不仅可以大大降低设备的复杂性，而且在纠正错误的能力方面也优于其竞争对手。

　　该论文的第一作者曾烨雄说:“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，而且还可能使我们离在实验中成功实施量子纠错更近一步。”

　　Franco Nori表示:“机器学习可以在解决大规模量子计算和优化挑战方面发挥关键作用。目前，我们正在积极参与一些整合了机器学习、人工神经网络、量子纠错和量子容错的项目。”