تهیه کننده : مهدی رمضانی
یادگیری ماشین به اصلاح بهتر خطای کوانتومی کمک می کند.
برخلاف کامپیوترهای کلاسیک که روی بیت (عنصر محاسباتی که فقط می‌تواند در دو حالت ۰ و ۱ قرار بگیرد) کار می‌کنند، کامپیوترهای کوانتومی بر روی کیوبیت کار می کنند. این عنصر محاسباتی می تواند در هر برهمنهی از حالت های ۰ و ۱ قرار بگیرد. با ترکیب درهمتنیدگی کوانتومی (یکی دیگر از ویژگی‌های کوانتومی که کیوبیت‌های مختلف را فراتر از ابزارهای کلاسیک به هم متصل می‌کند) رایانه‌های کوانتومی می‌توانند عملیات کاملاً جدیدی انجام دهند و در برخی از وظایف محاسباتی، مانند جستجوهای در مقیاس بزرگ، مشکلات بهینه‌سازی و رمزنگاری، مزایای بالقوه‌ای را ایجاد کنند. چالش اصلی برای به کارگیری رایانه‌های کوانتومی به ماهیت بسیار شکننده برهمنهی‌های کوانتومی برمیگردد. در واقع، نویزهای محیطی، منجر به خطاهایی می‌شوند که به سرعت برهمنهی‌های کوانتومی را از بین می‌برند و در نتیجه، رایانه‌های کوانتومی کارایی خود را از دست می‌دهند. برای غلبه بر این مانع، روش‌های پیچیده ای برای تصحیح خطای کوانتومی توسعه داده شده است. در حالی که در تئوری، آنها می توانند با موفقیت اثر خطاها را خنثی کنند، اما آنها اغلب با یک سربار عظیم در دستگاه همراه هستند که خود مستعد خطا است. بنابراین استفاده از آنها حتی می‌تواند خطاها را افزایش دهد. در این کار، محققان از یادگیری ماشینی در تصحیح خطا استفاده کردند که سربار دستگاه را به حداقل می‌رساند در حالی که عملکرد تصحیح خطا را حفظ می‌کند. برای این منظور، آنها بر روی یک رویکرد مستقل برای تصحیح خطای کوانتومی تمرکز کردند، جایی که یک محیط مصنوعی با طراحی هوشمندانه جایگزین انجام اندازه‌گیری‌های مکرر تشخیص خطا می‌شود. آنها همچنین « کدگذاری‌های کیوبیت بوزونی» را بررسی کردند که برای مثال در برخی از امیدوارکننده‌ترین و گسترده‌ترین ماشین‌های محاسباتی کوانتومی مبتنی بر مدارهای ابررسانا در دسترس هستند و مورد استفاده قرار می‌گیرند. یافتن نامزدهای با کارایی بالا در فضای جستجوی گسترده کدگذاری‌های کیوبیت بوزونی یک کار بهینه‌سازی پیچیده است که محققان با یادگیری تقویتی (reinforcement learning) به آن دست یافته‌اند. یادگیری تقویتی یک روش یادگیری ماشینی پیشرفته است که در آن یک عامل (agent) یک محیط انتزاعی ممکن را برای یادگیری و بهینه سازی عملکرد خود جستجو می‌کند. با این کار، این گروه دریافتند که یک روش کدگذاری خاص به طرز شگفت‌انگیزی می‌تواند پیچیدگی دستگاه را در مقایسه با سایر کدگذاری‌های پیشنهادی کاهش دهد. همچنین از نظر توانایی در تصحیح خطاها از رقبای خود بهتر عمل می‌کند. Yexiong Zeng، نویسنده اول مقاله، می‌گوید: «کار ما نه تنها پتانسیل بکارگیری یادگیری ماشینی در جهت تصحیح خطای کوانتومی را نشان می‌دهد، بلکه ممکن است ما را یک قدم به اجرای موفقیت‌آمیز تصحیح خطای کوانتومی در آزمایش‌ها نزدیک‌تر کند.» Franco Nori یکی دیگر از نویسندگان مقاله بر این باور است که: «یادگیری ماشین می تواند نقش محوری در پرداختن به چالش های محاسبات کوانتومی و بهینه سازی در مقیاس بزرگ ایفا کند. در حال حاضر، ما به طور فعال در تعدادی از پروژه ها مشارکت داریم که یادگیری ماشین، شبکه های عصبی مصنوعی و تصحیح خطای کوانتومی را ادغام می کنند.