معايرة دقيقة وتحسين للبوابات المنطقية الكمومية لتحسين الأداء الحسابي.ضبط بوابات الكم هو فن جعل العمليات الأساسية للحاسوب الكمومي — البوابات المنطقية التي تتحكم في الكيوبتات — دقيقة قدر الإمكان. الأجهزة الكمومية الحقيقية صاخبة: كل عملية بوابة تُدخل أخطاء صغيرة ناتجة عن نبضات تحكم غير مثالية، أو تداخل بيئي، أو تداخل بين الكيوبتات. يتضمن الضبط تعديل معلمات هذه النبضات (السعات، الأطوار، المدد) لتقليل الأخطاء، غالبًا باستخدام التغذية الراجعة من قياسات الكيوبتات نفسها. هذا ضروري لأن تصحيح الأخطاء الكمومية يتطلب معدلات خطأ للبوابات أقل من عتبة معينة؛ بدون ضبط دقيق، لا يمكن للحاسوب الكمومي إجراء حسابات لفترة كافية ليكون مفيدًا.
ظهر المفهوم مع أولى تجارب الكيوبتات ذات الحالة الصلبة في أوائل العقد الأول من القرن الحادي والعشرين، حيث أدرك الباحثون أن إخلاص البوابة كان عنق الزجاجة لتوسيع النطاق. نضج المجال مع تطوير بروتوكولات القياس العشوائي في 2007-2008، والتي وفرت طريقة معيارية لقياس أخطاء البوابات ومقارنة استراتيجيات الضبط.
تبدأ العملية عادةً بنموذج لنظام الكيوبت وإلكترونيات التحكم الخاصة به. يرسل المهندسون تسلسلات اختبار من البوابات، ويقيسون الحالات الكمومية الناتجة، ويقارنونها بالنتائج المتوقعة. ثم تقوم خوارزميات التحسين، مثل المنظم الخطي التربيعي التكراري (iLQR) أو الطرق القائمة على التدرج، بضبط معلمات التحكم لتقليل التناقضات. في بعض الأساليب، يتم الضبط دون إزعاج عملية القراءة، مما يسمح بالمعايرة المستمرة أثناء التشغيل. تستخدم التقنيات المتقدمة أيضًا التعلم الآلي للتنبؤ بالإعدادات المثلى من القياسات السابقة، مما يسرع دورة المعايرة.
يُستخدم ضبط بوابات الكم في كل حاسوب كمومي، من الرقائق فائقة التوصيل إلى أنظمة الأيونات المحاصرة، للحفاظ على إخلاص عالٍ أثناء الحسابات الطويلة. وهو أيضًا حاسم لتصحيح الأخطاء الكمومية المتسامح مع الأعطال، حيث تترجم التحسينات الصغيرة في دقة البوابة إلى تخفيضات كبيرة في النفقات العامة المطلوبة للكيوبتات المنطقية.
بعض الحواسيب الكمومية تُضبط باستخدام نفس خوارزمية iLQR التي تتحكم في هبوط الصواريخ والمركبات ذاتية القيادة، مما يكيف تقنية تحكم كلاسيكية مع العالم الكمومي.
| \theta_k | متغير | Parameter vector at iteration k — parameter vector |
| \theta_{k+1} | متغير | Updated parameter vector at iteration k+1 — parameter vector |
| \alpha_k | متغير | Learning rate (step size) at iteration k — معدل التعلم |
| f(\theta_k) | متغير | Objective function evaluated at \theta_k — objective function |
| \nabla_\theta | مؤثر | Computes the vector of partial derivatives with respect to each parameter — gradient operator |











