في خطوة ثورية نحو تحسين تكامل العمليات، يقدم الباحثون استخدام التعلم المعزز الكمي (Quantum Reinforcement Learning) كاستراتيجية فعالة لمواجهة تحديات تخليق العمليات. بناءً على أعمال سابقة، قام فريق البحث بتطوير إطار عمل عام يعيد صياغة تخليق العمليات كعملية قرار ماركوف (Markov Decision Process) ويقدم خوارزميات للتعلم المعزز معززة بالكم (Quantum-Enhanced RL) لتحسين قابلية التوسع.

تغلبت هذه الدراسة على الصعوبات التي كانت تواجه التنفيذ السابق للتعلم المعزز الكمي، والتي كانت تعتمد على متطلبات عدد كبير من الكيوبتات (qubits) تتزايد مع تعقيد المشكلة. من خلال تقديم خوارزميات لترميز الحالة (State Encoding Algorithms)، نجحت الدراسة في فصل متطلبات الكيوبت عن حجم المشكلة.

تم استخدام استراتيجية حل تعتمد على التعلم المعزز الكلاسيكي كنقطة مرجعية لتقييم أداء الخوارزميات الكمية تحت نفس ظروف التدريب. تم تقييم جميع الخوارزميات عبر مشكلة تخليق التدفقات (Flowsheet Synthesis) ذات عدد متزايد من الوحدات لتحليل أدائها وفعاليتها.

أظهرت النتائج بأن جميع الأساليب قادرة على تحديد تصميمات التدفق الأمثل في مساحات تصميم صغيرة، بينما أبدت الأساليب الكمية أداءً تنافسيًا في نطاق وحدات متوسطة الحجم. بالإضافة إلى ذلك، أظهرت هذه الأساليب الكمية كفاءة محسنة على أساس المعلمات مقارنة بالمعيار التقليدي للتعلم المعزز.

يوفر هذا العمل أساسًا لتطبيقات الحوسبة الكمومية المستقبلية ضمن هندسة أنظمة العمليات، ويؤسس معيارًا مسيطرًا لمقارنة الخوارزميات التقليدية والكمية، مما يؤكد أن النسخ الكمية المقترحة لا تزال تنافسية في مسائل تخليق العمليات التي تم فحصها.