⚛️ الفيزياء الكمومية

Quantum Approximate Optimization Algorithm with Cat Qubits

تُثبت هذه الورقة أن تنفيذ خوارزمية التقريب الكمي للتحسين (QAOA) باستخدام بتات "القط" (cat qubits) في رنانات "كير" (Kerr resonators)، والتي تُظهر ضجيجاً منحازاً لـ $Z$ بسبب فقدان الفوتونات، يُحقق نسب تقريب أعلى لمسائل "ماكس كات" (MaxCut) العشوائية مقارنة بالبتات القياسية ثنائية المستوى تحت تأثير فقدان الفوتون الواحد.

المؤلفون الأصليون: Pontus Vikstål, Laura García-Álvarez, Shruti Puri, Giulia Ferrini

ظهر لأول مرة 2024-09-17 · تم التحديث 2026-11-11

📖 3 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Pontus Vikstål, Laura García-Álvarez, Shruti Puri, Giulia Ferrini

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في السباق لبناء حواسيب كمومية مفيدة، يتنقل العلماء حالياً في منطقة وسطى صعبة؛ إذ يمتلكون آلات كبيرة بما يكفي لمحاولة حل مشكلات حقيقية، لكنها ليست كبيرة بما يكفي بعد لتكون موثوقة تماماً. هذه الأجهزة، التي تُسمى غالباً الحواسيب الكمومية ذات المقياس المتوسط المشوبة بالضجيج، عرضة للأخطاء التي يمكن أن تخلط حساباتها قبل انتهائها. وللتغلب على ذلك، يعتمد الباحثون على استراتيجية محددة تُعرف باسم "خوارزمية التحسين التقريبي الكمومي". صُممت هذه الطريقة لحل الألغاز المعقدة — مثل إيجال المسار الأكثر كفاءة لأسطول توصيل أو أفضل طريقة لتقسيم مجموعة من الأشخاص إلى فريقين — وذلك باستخدام دوائر قصيرة وضحلة أقل عرضة للانهيار تحت وطأة الضجيج. ولا يكمن التحدي المركزي لهذه الآلات في تشغيل الخوارزمية فحسب، بل في إيجاد طريقة لتخزين المعلومات تقاوم أنواع الأخطاء المحددة التي تعاني منها الأجهزة الحالية.

لقد استكشف فريق من الباحثين الآن طريقة جديدة واعدة لتخزين هذه المعلومات، باستخدام نوع من البتات الكمومية يسمى "بت القط" (cat qubit). وخلافاً للبتات الكمومية القياسية التي غالباً ما تُشبه بالبلابل الصغيرة الدوارة، تُبنى بتات القط من ضوء محبوس داخل مرنان، وتوجد في حالة تشبه موجتين متضادتين في آن واحد. ركز الباحثون على إعداد فيزيائي محدد يتضمن جهازاً يسمى "مرنان كير غير الخطي" (Kerr nonlinear resonator)، والذي يستخدم نوعاً خاصاً من التفاعل بين الضوء والمادة لإنشاء هذه الحالات. الميزة الرئيسية لهذا النهج هي أن الأخطاء التي ينتجها ليست عشوائية، بل هي منحازة. ففي النظام القياسي، قد يؤدي الخطأ إلى قلب البت من صفر إلى واحد أو تغيير طوره باحتمالية متساوية. أما في نظام بت القط هذا، فإن الخطأ المهيمن — الناتج عن فقدان فوتون واحد — يؤثر بشكل حصري تقريباً على الطور، مما يجعل أخطاء قلب البت نادرة جداً لدرجة أنها لا تُذكر عملياً. يعمل هذا الانحياز كدرع مدمج، مما يجعل المعلومات أكثر متانة ضد الشكل الأكثر شيوعاً للتحلل.

وضع الباحثون نصب أعينهم معرفة ما إذا كان هذا الانحياز يمكن أن يحسن بالفعل أداء خوارزمية التحسين. لقد قاموا بمحاكاة عملية حل مشكلة كلاسيكية تُعرف باسم "MaxCut"، والتي تتضمن تقسيم عقد الشبكة إلى مجموعتين لتعظيم الروابط بينهما. أجروا هذه المحاكاة على حاسوب، حيث نمذجوا سلوك بتات القط أثناء مرورها عبر التسلسل الضروري من العمليات. ولضمان اختبار عادل، قارنوا بتات القط بالبتات الكمومية القياسية المشفرة في أنظمة بسيطة ثنائية المستويات، مع ضبط النظام القياسي بعناية بحيث يكون لكلا النوعين من البتات نفس مستوى الموثوقية المتوسط لعملياتهما الفردية. كانت النتائج واضحة: عندما جرت الخوارمة على بتات القط، وجدت باستمرار حلولاً أفضل مما كانت عليه عند تشغيلها على البتات القياسية. وحتى مع وجود نفس المستوى من الضجيج، سمحت الطبيعة المنحازة لبتات القط للخوارزمية بالحفاظ على جودة تقريب أعلى، مما جعلها تقترب فعلياً من الإجابة المثالية.

لفهم سبب حدوث ذلك، نظر الفريق بدقة في كيفية تصرف الأخطاء أثناء انتقالها عبر خطوات الخوارزمية. ووجدوا أنه بينما كانت بتات القط عرضة بالفعل لأخطاء الطور، فإن البوابات المستخدمة في الخوارزمية تعاملت مع هذه الأخطاء بشكل مختلف عن تعاملها مع الضجيج العشوائي. في النظام القياسي، تنتشر الأخطاء وتفسد الحساب في جميع الاتجاهات. أما في نظام بت القط، فتظل الأخطاء محصورة في اتجاه واحد، وهو ما تستطيع الخوارزمية تحمله بشكل أفضل بكثير. كما اختبر الباحثون فكرة مختلفة: ما إذا كان إنشاء نسخة جديدة تماماً من الخوارزمية مصممة خصيصاً لهذه الأنظمة القائمة على الضوء سيكون أفضل. أشارت عمليات المحاكاة التي أجروها إلى أن التمسك بالخوارزمية القياسية، مع مجرد تشغيلها على بتات القط المتفوقة، هو المسار الأكثر فعالية. وتخلص الدراسة إلى أنه في المستقبل القريب، حيث لا يمكن تجنب الضجيج، فإن استخدام هذه البتات المنحازة يوفر ميزة ملموسة، مما يمهد طريقاً أوضح لحل مشكلات التحسين الصعبة مقارنة بالنهج القياسية الحالية.

ملخص تقني: خوارزمية التقريب الكمي للتحسين باستخدام كيوتبات القط (Cat Qubits)

بيان المشكلة
تعد خوارزمية التقريب الكمي للتحسين (QAOA) مرشحاً رائداً لحل مشكلات التحسين التوليفي على المعالجات الكمية ذات المقياس المتوسط (NISQ). ومع ذلك، فإن أداءها محدود حالياً بالضجيج في الأجهزة، مما يقلل من فعالية الخوارزمية مع زيادة عمق الدائرة. وبينما صُممت الخوارزميات التباينية لتعمل على دوائر ضحلة، فإن الوصول إلى دوائر أعمق يتطلب تنفيذات للأجهزة يمكنها تحمل الضجيج بشكل أفضل. يبحث هذا العمل فيما إذا كان تشفير الكيوتبات في الأنظمة البوزونية، وتحديداً "كيوتبات القط" (cat qubits) التي يتم تحقيقها عبر رنانات كير غير الخطية (KNRs)، يمكن أن يوفر ميزة في الأداء مقارنة بكيوتبات النظام ثنائي المستوى القياسية عند حل مشكلات التحسين المنفصل مثل MaxCut.

المنهجية
يقترح المؤلفون ويحاكون تنفيذ خوارمة QAOA باستخدام كيوتبات القط، والتي يتم تشفيرها في الحالات المتماسكة لمذبذب بارامتري "كير" مدفوع بسعات متضادة ( $|\pm\alpha\rangle$ ).

التشفير وانحياز الضجيج: يؤدي تشفير كيوتب القط (تحديداً التراكب بين حالات التكافؤ الزوجي والفردي للقط) إلى "ضجيج منحاز". ففي ظل آلية الخطأ المهيمنة المتمثلة في فقدان الفوتون الواحد، يظهر الضجيج بشكل أساسي كأخطاء طور ( $\hat{Z}$ )، بينما يتم كبح أخطاء قلب البت ( $\hat{X}$ ) أسياً.
تنفيذ البوابات: تستخدم الدراسة مجموعة بوابات عالمية لكيوتبات القط: $R_Z(\phi)$ ، و $R_X(\theta)$ ، و $R_Y(\phi)$ ، و $R_{ZZ}(\Theta)$ . ويتم تنفيذ هذه البوابات عبر دفعات وتفاعلات محددة في رنانات كير (KNRs).
استراتيجية المحاكاة:
1. النطاق الصغير (إثبات المبدأ): قام المؤلفون أولاً بمحاكاة مسألة "الغطاء الدقيق" (Exact Cover) لكيوتبين اثنين باستخدام معادلة "ليندبلاد" الرئيسية للتحقق من صحة النهج تحت تأثير فقدان الفوتون الواحد.
2. النطاق الكبير (6، 8، 10 كيوتبات): للتغلب على التوسع الأسي لفضاء هيلبرت للأنظمة الأكبر، استخدم المؤلفون صيغة مصفوفة نقل باولي (PTM). وقاموا بتوصيف قنوات الخطأ الناتجة عن فقدان الفوتون الواحد على الفضاء الحسابي الفرعي، محولين التطور المستمر للزمن إلى مؤثرات كراوس (Kraus operators).
3. مقارنة عادلة: لضمان مقارنة عادلة بين كيوتبات القط والكيوتبات القياسية، قام المؤلفون بضبط معدلات الاسترخاء ( $T_1$ ) للكيوتبات القياسية بحيث تتطابق متوسط دقة بواباتها مع دقة كيوتبات القط (تحديداً عند $\alpha = 1.36$ ). وهذا يعزل فائدة انحياز الضجيج عن مجرد التحسينات في دقة البوابة.

المساهمات الرئيسية

التحسين المنفصل في الأنظمة البوزونية: على عكس دراسات QAOA البوزونية السابقة التي ركزت على التحسين ذو المتغيرات المستمرة، يتناول هذا العمل مشكلات التوليف المنفصلة (MaxCut و Exact Cover) باستخدام كيوتبات القط.
تحليل الحفاظ على انحياز الضيب: تظهر الورقة أنه بينما تحافظ بوابة $R_{ZZ}$ على انحياز الضجيج (عن طريق تحويل فقدان الفوتون الواحد إلى أخطاء $\hat{Z}$ )، فإن بوابة $R_X$ لا تفعل ذلك؛ إذ تقوم بتحويل أخطاء $\hat{Z}$ إلى مزيج من أخطاء $\hat{Z}$ و $\hat{Y}$ ، مما يجعل قناة الضجيج غير منحازة لتلك البوابة تحديداً.
قياس الأداء: تقدم الدراسة مقارنة عددية لأداء QAOA على كيوتبات القط مقابل الكيوتبات القياسية لمسائل MaxCut العشوائية، مع التحكم في متوسط دقة البوابة.

النتائج

نسبة التقريب: بالنسبة لمسائل MaxCut العشوائية على 6، 8، و10 كيوتبات، تحقق خوارما QAOA المنفذة باستخدام كيوتبات القط متوسط نسبة تقريب أعلى من التنفيذ باستخدام الكيوتبات القياسية، حتى عندما يعمل كلا النظامين بدقة بوابات متوسطة متطابقة.
المتانة تجاه العمق: بينما تزدัง نسبة التقريب لكلا النظامين في البداية مع عمق الدائرة ( $p$ ) ثم تنخفض بسبب تراكم الضجيج، يحافظ تنفيذ كيوتب القط على أداء متفوق عبر جميع مستويات العمق المختبرة.
آلية الخطأ: تُعزى ميزة الأداء إلى حقيقة أنه في دوائر MaxCut النموذجية، يتجاوز عدد بوابات $R_{ZZ}$ (التي تحافظ على انحياز الضجيج) عدد بوابات $R_X$ (التي لا تفعل ذلك). وبناءً على ذلك، تظل آلية الخطأ المهيمنة في كيوتبات القط منحازة ( $\hat{Z}$ )، بينما تعاني الكيوتبات القياسية من أخطاء غير مهيكلة ( $\hat{X}, \hat{Y}, \hat{Z}$ ) تؤثر على جميع أنواع البوابات.
متغير الـ QAOA البوزوني: استكشف المؤلفون أيضاً نسخة "بوزونية أصيلة" من QAOA (عبر تطبيق طريقة تروتر على هاميلتوني التلدين البوزوني) لكنهم وجدوا أنها لم تحقق تحسينات على نهج QAOA القياسي باستخدام كيوتبات القط، مفترضين أن عدم الكفاءة ينبع من صعوبة إعادة رسم حالة الرنان إلى القاعدة الحسابية للكيوتب.

الأهمية والادعاءات
تدعي الورقة أن الكيوتبات ذات الضجيج المنحاز، مثل كيوتبات القط، هي الأفضل لتنفيذ خوارما QAOA على المعالجات الكمية ذات المقياس المتوسط القريبة. تكمن الأهمية الأساسية في إثبات أن هيكل الضجيج المنحاز (الذي يفضل إلغاء التماسك/Dephasing) يمكن أن يعزز الأداء الخوارزمي لمشكلات التحسين المنفصلة، حتى عندما تتطلب الأجهزة بوابات لا تحافظ على الانحياز (مثل $R_X$ ). يشير المؤلفون إلى أن هذه النتائج من المرجح أن تكون مستقلة عن نوع المشكلة، وأن المشكلات التوليفية الأخرى ستستفيد بشكل مماثل من هذا التباين في الأداء. ويخلصون إلى أن هذا النهج يقدم تقديراً ملموساً لنسب التقريب القابلة للتحقيق لـ MaxCut باستخدام معاملات رنانات كير واقعية، مما يوفر مساراً قابلاً للتطبيق نحو دوائر كمية أعمق وأكثر فعالية في عصر NISQ.

أبحاث مشابهة