2018年9月27日，德國馬克斯·普朗克光學研究所所長弗洛裏安·馬夸特（Florian Marquardt）及其團隊在物理期刊physical review X上發表論文《增強學習神經網絡在量子反饋中的應用》，該論文提出了一種基於人工智能算法的量子誤差校正系統。
量子計算機可以解決傳統計算機不能處理的複雜任務，但由於量子態對環境的恆定干擾極其敏感，使得量子計算機難以實際應用。而基於量子誤差校正的主動防護措施可解決量子態的抗干擾問題。該研究受2016年圍棋計算機系統AlphaGo的啓發，嘗試利用神經網絡算法進行量子誤差校正。圍棋遊戲中的生成對抗網絡在訓練過程總可以自動產生同分布的樣本，且具有人類難以達到的計算能力，因此這種人工神經網絡算法能夠滿足量子誤差校正的計算需求。馬夸特解釋稱，該項研究利用的人工神經網絡算法是計算機科學領域的最新研究，該算法模擬了人類大腦相互連接的神經元結構，用於此次研究的神經網絡算法中，每個人工神經元就與另外多達兩千個神經元相連接。
研究主要內容可概括爲如下幾點：
（1）人工神經網絡優於其他糾錯策略
量子計算機的基礎是量子信息中的量子位，與傳統數字比特只有0、1兩種狀態不同，量子位可以將兩種狀態進行疊加。這種量子糾纏使得量子計算機能夠解決傳統計算機無法處理的複雜任務。但是量子信息對環境中的噪聲非常敏感，因此在量子計算工程中需要不斷糾正量子信息。這種操作不僅複雜，而且糾正過程需要保證量子信息的完整。該論文指出，生成對抗網絡在訓練過程中生成同分布樣本的特性完美符合量子誤差校正的特點。
（2）量子誤差校正類似於一個具有特殊遊戲規則的AlphaGo遊戲
馬夸特在介紹該研究的工作原理時提出了一個有趣的對比：把量子計算機的計算元件類比爲AlphaGo遊戲中的棋盤，黑白棋子表示量子位0和1，不同的是，量子計算機還具有一種灰色的表示疊加量子位的“棋子”，而且這些表示量子位的“棋子”已經擺放在棋盤上。進行量子誤差矯正實現某種量子態的過程類似於移動棋子使棋盤上顯示某種特定圖案，而周圍環境的噪聲就是下棋時的“對手”。“量子圍棋遊戲”還有一條特殊規則，當你在移動棋子實現量子誤差校正時是不知道“棋盤”上的狀態的,因此量子誤差校正的目的可以抽象成如何在這樣一種奇怪的“棋局規則”下，將“棋子”移動到正確的位置。
（3）輔助量子位揭示了量子計算機中的缺陷
在量子計算機中引入了輔助量子位，並將其定位在儲存實際量子信息的量子位之間。通過監控這些輔助量子位，量子計算機的控制器就能定位錯誤並進行相應的矯正，類比在“量子圍棋遊戲”中，輔助量子位就是一些分佈在實際棋子之間的附加棋子，棋手只能通過觀察這些附加棋子來決定實際棋子的下一步走法。該研究最初的想法是用一個人工神經網絡擔任“棋局遊戲”中“棋手”的角色，但是實際試驗表明，即使是很小規模的只包括五個模擬量子位的計算，單個神經網絡仍不足以收集足夠的量子信息，實驗結果表明，單個的神經網絡在訓練過程中不但沒有達到重建量子信息的目的，反而造成的相反的結果。
（4）利用一個網絡訓練獲得的先驗知識訓練另外一個網絡
該項研究添加了一個充當“老師”角色的附加網絡，該“老師網絡”通過其操控量子計算機室獲得的先驗知識去訓練另外一個“學生網路”，使其能夠進行正確的量子矯正。該設計的前提是“老師網絡”足夠了解其操控的量子計算機機器組成部件。
人工神經網絡原則上是通過激勵系統進行訓練的。一次恢復量子初始狀態的量子矯正被視爲一次正確的激勵。然而，在該論文的研究中，如果只以訓練結果作爲一次爭取的激勵的話，對量子矯正過程就太遲了，因此研究人員開發了一種新的激勵系統，使得在訓練階段也能夠激勵“老師網絡”採用更有前景的策略。類比在“量子圍棋遊戲”中，該獎勵機制可以在不透露“棋局”細節的情況下在特定時間對“棋手”進行遊戲狀態提示。
（5）學生網絡通過自身行爲可以在性能上超過老師網絡
馬夸特指出，該系統的首要目標是在無人爲干擾的情況下進行有效的量子矯正。“老師網絡”可以基於度量結果和量子計算機的整體量子狀態達到該目的，而“學生網絡”利用“老師網絡”的先驗知識訓練後，不僅可以達到“老師網絡”的同等效果，而且可以通過自身行爲達到更有效果。
馬夸特最後還指出，基於人工智能的模式識別不僅可以應用於量子矯正，而且在物理學的其他領域也能起到有效作用。