تعتبر دوائر كليفورد (Clifford circuits) مكونًا أساسيًا في عالم الحوسبة الكوانتية، حيث تلعب دورًا حيويًا في تصحيح الأخطاء وعمليات البناء المنطقي المدعومة بتقنية التحمل. وفي ظل التحديات المتعلقة بطرق البناء القياسية مثل خوارزمية آيرونسون-غوتزمان (Aaronson-Gottesman algorithm)، والتي عادةً ما تؤدي إلى دوائر دون المستوى المثالي وعدد كبير من الأبواب الكوانتية، يأتي الإبداع الجديد، AlphaClifford، كحل ابتكاري.

يستند AlphaClifford إلى إطار عمل التعلم المعزز (Reinforcement Learning) المدعوم بتقنية بحث الشجرة (Monte Carlo Tree Search)، وتم تصميمه ليكون فعالًا في توليف دوائر كليفورد باستخدام مجموعة الأبواب الأساسية المكونة من H و S و CNOT. من خلال نمذجة الفضاء الحيزي وفقًا للخصائص الجبرية لمجموعة السيمبليكتك (symplectic group)، يتمكن AlphaClifford من استكشاف هذا الفضاء التبادلي بكفاءة لتقليل إجمالي تكاليف الدائرة.

بفضل الأسلوب الجديد، حقق فريق البحث انخفاضًا متواصلًا في عدد الأبواب الكوانتية، بما في ذلك أبواب CNOT، مقارنةً بأفضل خوارزميات البناء الحالية، حتى مع استخدام مجموعة أبواب أقل تعبيرًا.

علاوة على ذلك، أثبتنا قابلية تطبيق إطار العمل هذا على مهمتين إضافيتين: تحويل دوائر كليفورد المقيدة بالعتاد (hardware-constrained Clifford transpilation)، حيث تفوقنا على المجمعات القائمة على التعلم المعزز الموجودة بالفعل، وأيضًا كعنصر تحسين بعد البناء داخل خط أنابيب بناء منطقي شامل لدوائر كليفورد+T. تشير نتائجنا إلى أن التعلم المعزز القائم على النموذج يعد فعالًا للغاية في معالجة التعقيدات التبادلية الخاصة بالتجميع الكوانتي، مما يقدم مسارًا قابلًا للتوسع للتخفيف من قيود الأجهزة في كل من الأجهزة الكوانتية القابلة للإنشاء في المستقبل وفي الأجهزة القابلة للتحمل.