Characterizing Physical Error Contributions of Quantum Gates

إن السعي لبناء حاسوب كمي مفيد هو سباق ضد غير المرئي. في قلب هذه الآلات توجد البتات الكمية، أو "الكيوبتات"، التي تحفظ المعلومات في حالة هشة من التراكب، مما يسمح لها بإجراء حسابات قد تستغرق الحواسيب الفائقة الكلاسيكية آلاف السنين لحلها. ومع ذلك، تأتي هذه القوة مع نقطة ضعف شديدة: فأدنى اضطراب من البيئة المحيطة — سواء كان مجالاً مغناطيسياً عابراً، أو تذبذباً في درجة الحرارة، أو خللاً طفيفاً في إلكترونيات التحكم — يمكن أن يتسبب في فقدان الكيوبت لمعلوماته. هذا الفقدان، المعروف باسم الضجيج، هو العقبة الرئيسية التي تمنع الحواسيب الكمية من الوصول إلى كامل إمكاناتها. ولحل هذه المشكلة، يجب على العلماء أولاً فهم مصدر هذه الأخطاء بدقة. فلا يكفي معرفة أن عملية حسابية قد فشلت؛ بل يحتاج المهندسون إلى معرفة ما إذا كان الفشل ناتجاً عن فقدان الكيوبت لطاقته، أو بسبب إشارة تحكم كانت طويلة قليلاً، أو بسبب ضجيج بطيء ومتقلب يتراكم بمرور الوقت. وبدون خريطة دقيقة لمصادر الخطأ هذه، فإن تحسين الأجهزة يشبه محاولة إصلاح محرك معقد وأنت معصوب العينين.

لقد طور فريق من الباحثين في شركة "IQM Quantum Computers" وجامعة "لودفيغ ماكسيميليان" في ميونيخ طريقة جديدة لإنشاء هذه الخريطة، وهي طريقة لا تكتفي بتحديد الأخطاء فحسب، بل تخبر العلماء أيضاً بمدى إمكانية الثقة في هذا التحديد. وفي دراسة ركزت على نوع معين من المعالجات الكمية فائقة التوصيل، طبق الباحثون طريقتهم لقياس أداء بوابات الكيوبت المنفرد والكيوبت المزدوج، وهي العمليات الأساسية التي تتلاعب بالمعلومات الكمية. ووجدوا أنه بينما استطاعوا تحديد مصادر الخطأ في عمليات الكيوبت المنفرد بثقة عالية، لم يكن من الممكن تحقيق نفس المستوى من اليقين بالنسبة لبوابات الكيوبت المزدوج الأكثر تعقيداً. والأهم من ذلك، أن طريقتهم لم تخفِ عدم اليقين هذا؛ بل أشارت إليه كعلامة تحذير بأن فهمهم الحالي للفيزياء غير مكتمل. ويمثل هذا النهج تحولاً من مجرد التخمين حول مصدر الأخطاء إلى عملية صارمة قائمة على البيانات، تعترف عندما يكون النموذج ناقصاً.

لفهم التحدي، يجب على المرء أن ينظر إلى كيفية اختبار الحواسيب الكمية حالياً. تقليدياً، يجري العلماء سلسلة من التجارب لقياس المدة التي يمكن للكيوبت خلالها الاحتفاظ بحالته أو مدى دقة أدائه لعملية دوران. ثم يدرجون هذه الأرقام في نموذج رياضي لتقدير مقدار مساهمة كل عامل في الخطأ الإجمالي. تفترض هذه العملية أن النموذج مثالي وأن الأخطاء مستقلة عن بعضها البعض. ومع ذلك، في عالم الدوائر فائقة التوصيل الواقعي، غالباً ما تكون الأخطاء مترابطة ومعقدة وتتغير بمرور الوقت. إن النموذج الذي يفترض أن كل شيء بسيط ومستقل قد ينتج رقماً يبدو دقيقاً، لكن هذا الرقم قد يكون خاطئاً تماماً إذا كانت الافتراضات الأساسية معيبة. أدرك الباحثون أن الاعتماد على هذه النماذج الثابتة أمر محفوف بالمخاطر، خاصة مع زيادة حجم وتعقيد المعالجات الكمية. لقد كانوا بحاجة إلى طريقة للتعلم مباشرة من البيانات مع الحفاظ على فحص مستمر لمدى صمود افتراضاتهم.

الحل الذي اقترحوه هو إطار عمل قائم على التعلم يعمل كجسر بين العالم الفيزيائي ونموذج الحاسوب. فبدلاً من محاولة حل المعادلات المعقدة لكل تجربة جديدة، قام الفريق أولاً ببناء محاكاة مفصلة للغاية لمعالجهم الكمي. تضمنت هذه المحاكاة كل مصدر معروف للخطأ، بدءاً من التحلل الطبيعي للطاقة في الكيوبتات وصولاً إلى التقلبات الطفيفة والبطيئة للمجالات المغناطيسية التي تنجرف بمرور الوقت. أجروا آلاف التجارب الافتراضية داخل هذه المحاكاة، وسجلوا النتائج ومساهمات الخطأ المحددة لكل سيناريو. وباستخدام هذه المجموعة الضخمة من البيانات، قاموا بتدريب أداة تعلم آلي تسمى "انحدار العملية الغاوسية" (Gaussian Process Regression). تعلمت هذه الأداة التعرف على الأنماط، حيث حفظت بفعالية العلاقة بين البيانات التجريبية الخام والأخطاء الفيزيائية المحددة التي تسببت فيها. وبمجرد تدريبها، استطاعت هذه الأداة أخذ مجموعة جديدة من القياسات من العالم الحقيقي والتنبؤ فوراً بميزانية الخطأ، أو تفصيل المصادر التي أتت منها الأخطاء.

ما يجعل هذه الطريقة قوية بشكل خاص هو قدرتها على قياس ثقتها الخاصة. فأداة التعلم الآلي لا تعطي مجرد إجابة واحدة؛ بل تقدم نطاقاً من عدم اليقين. إذا كانت بيانات العالم الحقيقي تشبه إلى حد كبير البيانات التي رأتُها الأداة أثناء التدريب، فإن عدم اليقين يكون منخفضاً، ويكون التنبؤ موثوقاً. ولكن إذا تصرفت البيانات الحقيقية بطريقة لم ترها المحاكاة من قبل، فإن عدم اليقين في الأداة يرتفع بشكل حاد. وهذا الارتفاع ليس فشلاً في الطريقة، بل هو ميزة؛ فهو يعمل كإشارة تشخيصية، تخبر الباحثين أن نموذجهم الفيزيائي يفتقد شيئاً مهماً. إنه الفرق بين توقع جوي يتنبأ بثقة بوجود شمس مشرقة بينما عاصفة تلوح في الأفق، وبين توقع يقول: "أنا لست متأكداً، لأن الظروف مختلفة عما رأيته من قبل".

اختبر الفريق هذا الإطار على زوج من الكيوبتات في مصفوفة "ترانسمون" (transmon)، وهي بنية شائعة للحواسيب الكمية فائقة التوصيل. وركزوا على نوعين من العمليات: بوابة الكيوبت المنفرد، التي تقلب حالة كيوبت واحد، وبوابة الكيوبت المزدوج، التي تربط كيوبتين معاً عبر التشابك. بالنسبة لبوابات الكيوبت المنفرد، كانت النتحات مطمئنة؛ حيث نجح الإطار في إعادة بناء ميزانية الخطأ، محدداً أن الأخطاء المهيمنة جاءت من فقدان الكيوبتات لطاقتها ومن العيوب الطفيفة في نبضات التحكم. وكان عدم اليقين منخفضاً، مما يعني أن الفريق استطاع التأكد من أن نموذجهم يصف فيزياء هذه العمليات بدقة. لقد تمكنوا من رؤية مدى مساهمة كل عامل في الخطأ الإجمالي، مما وفر هدفاً واضحاً للتحسينات المستقبلية.

تغيرت القصة عندما وجهوا اهتمامهم إلى بوابات الكيوبت المزدوج. هذه العمليات أكثر تعقيداً بكثير، حيث تتضمن مكوناً ثالثاً يسمى "الموصل" (coupler) يربط بين الكيوبتين. وعندما طبق الباحثون إطار عملهم على بيانات بوابة الكيوبت المزدوج، كانت تقديرات عدم اليقين مرتفعة. فقد أشارت الأداة إلى أن نموذجهم التفصيلي القائم على المبادئ الأولى، والذي تضمن الضجيج غير الماركوفي المعقد وتشويهات النبضات، لم يستطع استيعاب ديناميكيات النظام بالكامل. كانت أخطاء العالم الحقيقي تتصرف بطرق لم تتوقعها المحاكاة. كان هذا اكتشافاً حاسماً؛ فبينما قد تجبر الطرق التقليدية البيانات على التوافق مع النموذج، منتجةً ميزانية خطأ تبدو دقيقة ولكنها مضللة وتخفي التعقيد الحقيقي للمشكلة، قام هذا الإطار الجديد بالاعتراف بالفجوة، مقدماً دليلاً كمياً على أن فهمنا الحالي لأخطاء بوابة الكيوبت المزدوج غير مكتمل.

حدد الباحثون أن الأخطاء المهيمنة في بوابة الكيوبت المزدوج من المرجح أن تكون مرتبطة بعيوب نبضات التحكم وبالطريقة التي يتفاعل بها الموصل مع الكيوبتات، لكن ارتفاع نسبة عدم اليقين يشير إلى وجود عوامل أخرى غير مدرجة في النموذج. قد تشمل هذه العوامل تشوهات دقيقة في الإشارات الكهربائية أو تفاعلات مع البيئة عند ترددات لم يتم فحصها بعد. تسلط هذه الدراسة الضوء على أنه بينما تبدو الأجهزة الحالية مثيرة للإعجاب، فإن الطريق نحو الحوسبة الكمية واسعة النطاق لا يتطلب فقط أجهزة أفضل، بل طرقاً أفضل لفهمها. إن القدرة على التمييز بين ما هو معروف وما هو مجهول لا تقل أهمية عن القياسات نفسها.

يمثل هذا العمل خطوة كبيرة للأمام في توصيف الأجهزة الكمية. فمن خلال التعامل مع ميزانية الخطأ كمسألة تعلم وليس مجرد عملية حسابية بسيطة، أنشأ الباحثون أداة تتسم بالقوة والأمانة في آن واحد. فهي تسمح للعلماء باستخراج رؤى تفصيلية من التجارب المعقدة مع التحذير في الوقت نفسه عندما تكون نماذجهم غير كافية. ومع استمرار توسع المعالجات الكمية، بزيادة عدد الكيوبتات والتفاعلات الأكثر تعقيداً، ستكون القدرة على اكتشاف هذه الفجوات في الفهم أمراً ضرورياً. إن هذا الإطار لا يخبر المهندسين بما هو خطأ فحسب، بل يخبرهم أين ينتهي علمهم، مما يوجههم نحو التجارب التالية اللازمة لملء القطع المفقودة. في السباق لبناء حاسوب كمي موثوق، يعد معرفة ما لا تعرفه الخطوة الأولى نحو حل المشكلة.