تم تكليف النظام بإدارة وحدتين منطقيتين من الكيوبتات مستضافتين على نظام مُعَايَر. كان كلاهما يستخدم أنظمة تصحيح أخطاء مختلفة (كود السطح وكود الألوان). تم تعيينهما في حالة محددة، ثم تم استخدام نظام تصحيح الأخطاء مع وبدون تصحيحات مستندة إلى التعلم المعزز. أدى تفعيل النظام إلى زيادة بنسبة 20 بالمئة في القدرة على اكتشاف وتصحيح الأخطاء في الكيوبتات المنطقية.
العمل في الوقت الحقيقي
القيود التي تواجه هذا النهج هي أنه يعمل فقط إذا استمرت الانحرافات في إبقاء النظام قريبًا بشكل معقول من الحالة التي تم تدريب النظام عليها. قد لا تكون التصحيحات التي قد تعيد الأمور إلى التوافق من حالة معينة 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 تغيير جميع تكوينات التحكم المحتملة عشوائيًا في منتصف عملية حسابية. حتى مع وجود اختلافات محدودة، سيعمل النظام بالضرورة خارج تصحيح الأخطاء الأمثل له. لذا، كان السؤال هو ما إذا كانت تصحيحات الأخطاء الفرعية المتكررة تؤتي ثمارها عن طريق منع الانحراف من التسبب في مشكلات أكبر. “سيعني الحل المفضل لموازنة الاستكشاف والاستغلال أن الأداء الإجمالي لجميع مرشحي السياسة الذين تم أخذ عينات منهم، معظمهم أسوأ من [الأمثل]، لا يزال أفضل من الأداء بدون توجيه التعلم المعزز” ، يكتب الباحثون.
أظهرت إجراء العديد من المحاكيات مع كيوبت مصحح للأخطاء صغير جدًا أن الموازنة كانت ناجحة، بشرط أن يكون الانحراف بطيئًا بدرجة كافية. أظهر الفريق أنه يمكن أن يعمل في الوقت الحقيقي مع كيوبت مصحح للأخطاء كبير، حيث كان لنظام التعلم المعزز السيطرة على حوالي 40,000 معلمة.
هذا Clearly ليس حلاً للحاضر؛ لا يمكننا إلا إبقاء الأنظمة تعمل لفترة كافية لأداء خوارزميات قصيرة وبسيطة نسبيًا، لذا فإن الانحراف ليس مصدر قلق حتى. في نهاية المطاف، نعتزم بناء أجهزة يمكنها أداء أنواع الحسابات التي ستكون فيها مسائل مثل هذه مهمة. وهناك قيمة في إظهار أن شيئًا نعرف أنه قد يكون مشكلة يمكن التعامل معه.
Nature، 2026. DOI: 10.1038/s41586-026-10759-2 (حول DOIs).
