تم وضع النظام تحت مسؤولية منطقتين منطقيتين مستضافتين على نظام مضبوط. كان الاثنان يستخدمان مخططات تصحيح أخطاء مختلفة (رمز السطح ورمز الألوان). تم تعيين هذه في حالة معينة، ثم استخدم نظام تصحيح الأخطاء مع وبدون تصحيحات مدفوعة بالتعلم المعزز. أدى تنشيط النظام إلى زيادة بنسبة 20 في المئة في القدرة على اكتشاف وتصحيح الأخطاء في المنطقيات الكيوبت.
الانتقال إلى الوقت الحقيقي
تتمثل قيود هذا النهج في أنه يعمل فقط إذا كانت الانحرافات تبقي النظام قريبًا بشكل معقول من الحالة التي تم تدريب النظام عليها. التصحيحات التي قد تعيد الأمور إلى المحاذاة من حالة واحدة قد لا تكون فعالة عندما يكون النظام في حالة مختلفة بشكل كبير.
الحل لذلك هو إعادة تقييم فعالية التغييرات المختلفة باستمرار. لكن هذه لديها مشكلة واضحة: لا يمكنك ببساطة عشوائية جميع تكوينات التحكم المحتملة في منتصف عملية حسابية. حتى مع وجود تباين محدود، سيعمل النظام بالضرورة خارج نطاق تصحيح الأخطاء الأمثل له. لذلك، كان السؤال هو ما إذا كان تصحيح الأخطاء دون الأمثل المتكرر يؤتي ثماره من خلال منع الانحرافات من التسبب في مشكلات أكبر. “ستعني التسوية المواتية لتجارة الاستكشاف والاستغلال أن الأداء الإجمالي لجميع المرشحين للسياسة التي تم أخذ عينات منها، معظمها أسوأ من [الأمثل]، لا يزال أفضل من الأداء بدون توجيه التعلم المعزز”، كتب الباحثون.
أظهر إجراء العديد من المحاكاة باستخدام كيو بت واحد مصحح للأخطاء بشكل صغير جدًا أن المقايضة نجحت، شرط أن يكون الانحراف بطيئًا بما فيه الكفاية. أظهرت الفريق أنه يمكن أن يعمل في الوقت الحقيقي مع كيو بت مصحح للأخطاء كبير، حيث كان نظام التعلم المعزز يتحكم في حوالي 40,000 بارامتر.
هذا بوضوح ليس حلاً للحاضر؛ يمكننا فقط الحفاظ على تشغيل الأنظمة لفترة طويلة بما يكفي لأداء خوارزميات قصيرة وبسيطة نسبيًا، لذا فإن الانحراف ليس حتى مصدر قلق. في النهاية، نيتنا هي بناء أجهزة يمكنها تنفيذ أنواع الحسابات التي ستكون فيها مثل هذه القضايا ذات أهمية. وهناك بعض القيمة في إثبات أن شيئًا نعرفه قد يكون مشكلة يمكن التعامل معها.
نيتشر، 2026. DOI: 10.1038/s41586-026-10759-2 (حول DOIs).
