在过去的三十年中,由于硅芯片的发展,传统计算机的开发增加了100,000倍。这是所谓的摩尔定律[1],它预测微芯片上的晶体管数量每两年翻倍。但是,专家们同意,计算机应在2020年代的某个时候达到摩尔定律的物理极限[2]。传统计算机的第二个问题是,正如Feynman所指出的那样,在模拟古典计算机上模拟量子机械系统时,似乎有必要的差异。因此,我们需要紧急设计量子计算机。,但噪声始终是信息过程系统的巨大祸根。保护信息免受噪声的影响非常重要,尤其是噪声对量子计算机的影响比分类计算机更大。已经有一个非常完整的经典误差校正理论[3]。但是现有的量子误差校正方法是不够的。由于无用定理[4]和波函数崩溃,量子信息不能以与经典信息相同的方式复制。所有这些分歧和挑战都要求我们构建一种新的理论,即量子误差理论。
预测误差理论对妄想症的解释已经取得了成功。然而,它对不同内容的妄想症的解释却一直不足。被害妄想症和偏执狂是常见的毫无根据的信念,即他人对我们怀有恶意。其他妄想症包括相信自己的思想或行为受到外部控制,或相信世界上的事件具有特定的个人意义。我们比较了两种不同的认知任务中的学习情况,即概率逆转学习和卡明阻断,它们分别与偏执和非偏执的妄想类信念有关。我们发现,单独的临床高风险状态不会导致概率逆转学习任务中的不同行为结果,但个体的偏执程度与过度的转换行为有关。在卡明阻断任务中,偏执者对被阻断的线索学习不当。然而,他们对控制线索的学习也有所减少,这表明他们存在更普遍的学习障碍。非偏执妄想类信念信念(但不是偏执狂)与被阻断线索的异常学习有关,但与控制线索的学习有关,这表明与线索组合相关的学习存在特定障碍。我们分别将任务特定的计算模型与行为数据相匹配,以探索潜在参数在个体之间如何在任务之间变化以及它们如何解释症状特定的影响。我们发现偏执狂与概率逆转学习任务和阻断任务中的低学习率有关。非偏执妄想类信念信念与控制同时呈现线索时线索更新的相似程度和方向的参数有关。这些结果表明,偏执狂和其他妄想类信念涉及学习和信念更新的可分离缺陷,鉴于偏执狂的跨诊断状态,这可能在预测精神病方面具有不同的效用。