机器学习可以更好地进行量子纠错

编辑 | 白菜叶

自主量子纠错（AQEC）通过设计耗散来保护逻辑量子位，从而避免频繁、容易出错的测量反馈循环的必要性。玻色码空间（其中单光子丢失代表了主要的错误来源）由于其灵活性和可控性而成为 AQEC 的重要候选者。

虽然现有的文献已经证明了具有玻色码空间的 AQEC 原则上的可行性，但这些方案通常基于 Knill-Laflamme 条件的精确实现，因此需要实现哈密顿距离 d≥2。实现这种哈密顿距离需要多个非线性相互作用和控制场，这使得这些方案在实验上具有挑战性。

在这里，RIKEN 量子计算中心（RIKEN Center for Quantum Computing）的研究人员通过放宽 Knill-Laflamme 条件提出了近似 AQEC 的玻色子代码。使用强化学习（RL），该团队确定了最佳玻色码字集（用 RL 代码表示），令人惊讶的是，它由 Fock 状态 |2⟩ 和 |4⟩ 组成。虽然 RL 代码存在近似性质，但它成功地抑制了单光子损失，将其减少为有效的移相过程，远远超过了收支平衡阈值。因此，它可以为实现全面错误保护提供有价值的构建模块。

纠错哈密顿量包括模拟工程耗散的辅助系统，完全基于哈密顿距离 d=1，显著降低了模型复杂性。单量子位门在 RL 代码中实现，最大距离 dg=2。

该研究以「

Approximate Autonomous Quantum Error Correction with Reinforcement Learning

」为题，于 2023 年 7 月 31 日发布在《

PHYSICAL REVIEW LETTERS

》。

机器学习可以更好地进行量子纠错

与只能采用基本值 0 和 1 的位操作的经典计算机不同，量子计算机在「量子位」上操作，可以假设计算基础状态的任何叠加。与量子纠缠（另一种超越经典方式连接不同量子位的量子特性）相结合，使得量子计算机能够执行全新的操作，从而在大规模搜索、优化问题和密码学等一些计算任务中产生潜在优势。

将量子计算机付诸实践的主要挑战源于量子叠加的极其脆弱的性质。事实上，例如，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。

为了克服这个障碍，已经开发了复杂的量子纠错方法。虽然理论上它们可以成功地抵消错误的影响，但它们通常会带来设备复杂性方面的巨大开销，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，全面的纠错仍然难以实现。

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频繁执行错误检测测量的必要性。

机器学习可以更好地进行量子纠错

图示：提出的系统-环境耦合。（来源：论文）

他们还研究了「玻色子量子位编码」，例如，这种编码可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中使用。在玻色子量子位编码的巨大搜索空间中寻找高性能候选者是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）来解决这个任务，其中代理探索可能的抽象环境来学习和优化其行动策略。

研究小组发现，与其他提出的编码相比，一种令人惊讶的简单、近似的量子位编码不仅可以大大降低设备复杂性，而且在纠正错误的能力方面也优于竞争对手。

该论文的第一作者 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，而且还可能使我们离在实验中成功实现量子纠错更近了一步。」