Google Quantum AI: التعلّم المعزَّز يضاعف استقرار شريحة Willow الكمومية ثلاث مرات

قدّمت Google Quantum AI في 22 يوليو 2026 في مجلة Nature نظامًا يستخدم التعلّم المعزَّز (reinforcement learning) لمعايرة المعالج الكمومي Willow ذاتيًا أثناء الحساب نفسه، ومن دون إيقافه، ويرفع استقرار شيفرة تصحيح الأخطاء ثلاثة أضعاف.

كيف تتعلم الشريحة من أخطائها

دمجت Google Quantum AI خوارزمية التعلّم المعزَّز مباشرة في حلقة تصحيح الأخطاء الكمومية (QEC). يراقب وكيل مستقل أحداث رصد الأخطاء على المعالج Willow، ويضبط آلاف معلمات التحكم في الوقت الفعلي ليعوّض انحراف العتاد (drift)، وكل ذلك من دون مقاطعة الحساب. في السابق كان لا بد من تشغيل المعايرة بصورة منفصلة وإيقاف عمل المعالج، أما الآن فيضبط النظام نفسه أثناء التشغيل.

• النشر: 22 يوليو 2026، مجلة Nature
• المنصة: المعالج الكمومي فائق التوصيل Willow
• زيادة في الاستقرار المنطقي لشيفرة التصحيح بمقدار 3,5 أضعاف
• خفض إضافي في معدل الأخطاء المنطقية بنسبة 20% بعد إعادة التدريب
• رقم قياسي: أقل من خطأ واحد لكل 1000 دورة (surface code)، وحوالي خطأ واحد لكل 100 دورة (color code)

إلى أي مدى انخفضت الأخطاء

أتاحت إعادة التدريب بالتعلّم المعزَّز زيادة الاستقرار المنطقي لشيفرة التصحيح بمقدار 3,5 أضعاف، وخفضت معدل الأخطاء المنطقية بنسبة 20% إضافية، وفق ما أعلنته Google Quantum AI. وبحسب المنشور في Nature، بلغ النظام مستويات قياسية في الانخفاض: أقل من خطأ واحد لكل ألف دورة في surface code، ونحو خطأ واحد لكل مئة دورة في color code.

ولفك الترميز تستخدم Google مفكّك الترميز العصبي AlphaQubit ومفكّك الترميز الخوارزمي Tesseract. ويعمل التعلّم المعزَّز فوقهما: فهو لا يتولى فك شيفرة الأخطاء، بل يحافظ على «العتاد» نفسه في حالته المثلى أثناء الحساب.

«وجدنا طريقة لضبط الآلات وهي تعزف»، هكذا يصف المؤلفون المعايرة المتواصلة أثناء الحسابات الجارية، في مدونة

Google Research.

هل يمكن توسيع هذا النهج؟

يمكن توسيع النهج ليشمل حواسيب كمومية أكبر: فبحسب Google Quantum AI، لا يعتمد عدد تكرارات التدريب على حجم النظام. ففي محاكاة عددية شملت مئات الكيوبتات وعشرات الآلاف من معلمات التحكم، بقي عدد جولات تدريب RL ثابتًا تقريبًا، أي أن الطريقة لن تنهار عند الانتقال إلى آلاف الكيوبتات اللازمة للحوسبة العملية المقاومة للأعطال.

والمؤلفان الرئيسيان للدراسة هما الباحثان في Google Quantum AI فولوديمير سيفاك (Volodymyr Sivak) وبول كليموف (Paul Klimov). ووفق الفريق، فإن استقلال كلفة التدريب عن حجم النظام هو ما يجعل الطريقة صالحة لحواسيب كمومية كبيرة مستقبلًا، لا لـ Willow الحالي وحده.

ماذا يعني ذلك

يحوّل التعلّم المعزَّز الحاسوب الكمومي من جهاز هش يحتاج إلى ضبط يدوي مستمر إلى نظام يستقر ذاتيًا. وهذا يزيل أحد العوائق الرئيسية أمام الحوسبة الكمومية المقاومة للأعطال، وهو الانحراف المستمر للعتاد الذي كان يُعوَّض يدويًا لسنوات.

الأسئلة الشائعة

ما المقصود بالتعلّم المعزَّز في تصحيح الأخطاء الكمومية؟

هو وكيل ذكاء اصطناعي يتعلم من إشارات الأخطاء ويضبط بنفسه آلاف معلمات التحكم في المعالج أثناء الحساب. وفي دراسة Google Quantum AI حقق زيادة في الاستقرار المنطقي بمقدار 3,5 أضعاف دون إيقاف الحساب.

ما هو المعالج Willow؟

Willow معالج كمومي فائق التوصيل من Google، اختُبرت عليه الطريقة. وعليه بلغ النظام رقمه القياسي: أقل من خطأ منطقي واحد لكل ألف دورة في surface code.

هل يحل هذا محل مفكّكي الترميز AlphaQubit وTesseract؟

لا. فما زال AlphaQubit (مفكّك الترميز العصبي) وTesseract (مفكّك الترميز الخوارزمي) يفكّان شيفرة الأخطاء، بينما يعمل التعلّم المعزَّز فوقهما: فهو يعاير العتاد ولا يفك الترميز.