Empirical learning of dynamical decoupling on quantum processors
تُثبت هذه الورقة أن البحث المستوحى من الخوارزميات الجينية يمكنه تعلم استراتيجيات فك الارتباط الديناميكي المثلى لمعالجات IBM الكمومية تجريبياً، متفوقاً بشكل كبير على المتواليات القياسية في كبح الأخطاء عبر دوائر متنوعة، مع تقديم أداء قابل للتوسع والاستقرار والتعميم دون الحاجة إلى إعادة التدريب.
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
الصورة الكبيرة: مشكلة "الضجيج" الكمي
تخيل أنك تحاول إجراء محادثة مهمة وهادئة مع صديق في وسط حفلة روك صاخبة وفوضوية. الموسيقى (الضجيج) تطغى على كلماتك، مما يجعل من المستحيل فهم الرسالة.
في عالم الحوسبة الكمية، "المحادثة" هي عملية حسابية، و"حفلة الروك" هي الضجيج. الحواسيب الكمية حساسة للغاية؛ فحتى الاهتزازات الصغيرة، أو الحرارة، أو التداخل الكهرومغناطيسي يمكن أن تسبب تشويشاً في بياناتها، مما يؤدي إلى حدوث أخطاء.
لسنوات، حاول العلماء حل هذه المشكلة باستخدام تقنية تسمى إلغاء الاقتران الديناميكي (Dynamical Decoupling - DD). فكر في (DD) كأنه "سماعات إلغاء الضجيج" للبتات الكمية (qubits). وهي تعمل عن طريق إطلاق نبضات دقيقة وسريعة (مثل إيقاع محدد من النقرات) لإلغاء الضجيج قبل أن يفسد العملية الحسابية.
الطريقة القديمة مقابل الطريقة الجديدة
الطريقة القديمة (نهج "مقاس واحد يناسب الجميع"):
في السابق، استخدم العلماء تسلسلات (DD) جاهزة و"نموذجية". كانت هذه التسلسلات تشبه قوائم تشغيل الموسي_النموذجية لإلغاء الضجيج التي تعمل جيداً في مكتبة هادئة، ولكنها قد تفشل في حفلة موسيقى "هيفي ميتال". لقد صُممت نظرياً لتعمل في أي موقف، لكنها لم تأخذ في الاعتبار الواقع المعقد والفوضوي لحاسوب كمي حقيقي. وغالباً ما كانت بسيطة جداً بحيث لا تستطيع التعامل مع "التداخل" (crosstalk) المعقد بين البتات الكمية المختلفة في الدوائر الكبيرة.
الطريقة الجديدة (نهج "المتعلم الذكي"):
يقدم هذا البحث طريقة جديدة تسمى GADD (الخوارزمية الجينية لتحسين إلغاء الاقتران الديناميكي). بدلاً من استخدام قائمة تشغيل جاهزة، يستخدم GADD برنامج كمبيوتر مستوحى من التطور لـ "تعلم" إيقاع إلغاء الضجيج المثالي لهذا الحاسوب الكمي تحديداً ولهذه المهمة تحديداً.
كيف يعمل GADD: إيقاع "البقاء للأصلح"
تخيل أنك تحاول العثور على الإيقاع المثالي للنقر على طبلة لإيقاف سماع صوت صفارة إنذار قريبة. أنت لا تعرف الإجابة، لذا تجرب مجموعة من الإيقاعات العشوائية.
- المجتمع: يقوم الكمبيوتر بإنشاء آلاف من تسلسلات النبض العشوائية (الإيقاعات).
- الاختبار: يقوم بتشغيل هذه الإيقاعات على الحاسوب الكمي الفعلي لمعرفة أي منها يحافظ على دقة العملية الحسابية بشكل أكبر.
- الاختيار: يتم الاحتفاظ بالإيقاعات التي تعمل بشكل أفضل، ويتم التخلص من الإيقاعات السيئة.
- الخلط (التكاثر): يأخذ الكمبيوتر إيقاعين جيدين و"يخلطهما" معاً، مثل دمج أفضل الأجزاء من أغنيتين لصنع أغنية ناجحة جديدة.
- الطفرة: أحياناً، يقوم الكمبيوتر بتغيير نوتة موسيقية في الإيقاع بشكل عشوائي فقط ليرى ما إذا كان هذا التعديل الصغير سيجعله أفضل.
- التكرار: يفعل ذلك مراراً وتكراراً، حيث يطور الإيقاعات حتى يجد الأفضل على الإطلاق للمهمة.
التجارب الثلاث الكبرى
اختبر الباحثون هذا "المتعلم التطوري" في ثلاثة تحديات مختلفة لإثبات نجاحه:
1. لعبة "الرسالة المخفية" (خوارزمية Bernstein-Vazirani)
- المهمة: العثور على رمز مخفي.
- النتيجة: كلما أصبح الرمز أطول (أصعب)، فشلت الإيقاعات القياسية القديمة تماماً. ومع ذلك، استمرت الإيقاعات التي تعلمها GADD في التحسن في العثور على الرمز، متفوقة بشكل كبير على الطرق القديمة. كان الأمر كما لو أن "المتعلم" أدرك أن ضجيج الحفلة يتغير مع ارتفاع صوت الأغنية، فقام بتكييف إيقاعه وفقاً لذلك.
2. "السلسلة المتشابكة" (تحضير حالة GHZ)
- المهمة: إنشاء سلسلة ضخمة من 50 بت كمي (qubit) مرتبطة جميعها ببعضها البعض (متشابكة). هذه السلسلة هشة للغاية؛ فإذا انكسر جزء واحد، تفشل السلسلة بأكملها.
- النتيجة: عملت إيقاعات GADD بشكل جيد لدرجة أن الفريق لم يحتج إلى إعادة تعلم الإيقاع في كل مرة. لقد تعلموه مرة واحدة، وعمل بشكل مثالي حتى بعد أيام أو عند نقل التجربة إلى حاسوب كمي آخر له نفس البنية. إنه يشبه تعلم خطوة رقص تصلح لأي مسرح، وليس فقط للمسرح الذي تدربت عليه.
3. "اختبار المرآة" (اختبار التقييم العشوائي المرآتي - Mirror Randomized Benchmarking)
- المهمة: هذه طريقة لاختبار مدى جودة الحاسوب الكمي من خلال تشغيل دوائر عشوائية وفوضوية. عادةً ما تفشل هذه الاختبارات في الحواسيب الكبيرة (أكثر من 50 بت كمي) لأن الضجيج يكون عالياً جداً بحيث لا يمكن الحصول على إشارة واضحة.
- النتيجة: هذا هو الانتصار الأكبر. باستخدام GADD، نجح الفريق في تشغيل هذه الاختبارات على 100 بت كمي. بدون GADD، جعل الضجيج هذا الاختبار مستحيلاً. مع GADD، تمكنوا من "سماع" الإشارة بوضوح. إنه يشبه استخدام خوارزمية ذكية جداً لإلغاء الضجيج لسماع همسة في وسط إعصار، مما سمح لهم بتقييم جهاز أكبر بمرتين مما تمكن غيرهم من فعله.
لماذا يهم هذا الأمر؟
الجزء الأكثر إثارة في هذا البحث هو أننا لم نعد بحاجة لأن نكون عباقرة في الفيزياء لتصميم إيقاع إلغاء الضجيج المثالي.
بدلاً من محاولة إنسان حساب الحل المثالي رياضياً (وهو أمر مستحيل تقريباً للآلات المعقدة)، يمكننا ترك الكمبيوتر "يطور" الحل عبر اختباره على الأجهزة الحقيقية.
- إنه أسرع: فهو يجد الحل في وقت ثابت، بغض النظر عن حجم الدائرة.
- إنه قوي: الحلول تدوم لفترة طويلة وتعمل عبر أجهزة مختلفة.
- إنه قابل للتوسع: يسمح لنا بإجراء تجارب كمية أكبر وأكثر تعقيداً مما كنا نستطيع فعله من قبل.
باخت-القول: يوضح هذا البحث أنه من خلال السماح للحواسيب بالتعلم من أخطائها (ونجاحاتها) في الوقت الفعلي، يمكننا ترويض الضجيج الفوضوي للحواسيب الكمية، مما يمهد الطريق لآلات كمية أكبر وأكثر قوة في المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.