محققان با استفاده از «یادگیری تقویتی گرافمحور» (Graph Reinforcement Learning) موفق شدند دقت مسیریابی مدارهای کوانتومی را به شکل چشمگیری افزایش دهند.
این مطالعه که بر روی پردازندههای کوانتومی IBM Heron انجام شده، نشان میدهد که به جای تکیه بر معیارهای سنتیِ تعداد گیتها، میتوان با آموزش مدلهای هوش مصنوعی بر اساس دادههای کالیبراسیون سختافزار، دقت نهایی خروجی را بین ۰.۲۵ تا ۰.۲۹ بهبود بخشید. این یعنی یک گام بزرگ دیگر به سمت دنیای کامپیوترهای کوانتومیِ کارآمدتر و دقیقتر! 🤖💻
منبع: arXiv Machine Learning