⚛️ quantum physics

Light Cone Cancellation for Variational Quantum Eigensolver in Solving Noisy Max-Cut

تُثبت هذه الورقة أن تطبيق طريقة إلغاء المخروط الضوئي على خوارزمية المقيّم الذاتي الكمي المتغير (LCC-VQE) يقلل بفعالية من ضجيج الأجهزة ويحسن نسب التقريب لحل مشكلات "القطع الأقصى" (Max-Cut) واسعة النطاق عن طريق تقليل عدد الكيوبتات والبوابات المطلوبة في نموذج تجريبي ثنائي الموضع أحادي الطبقة.

المؤلفون الأصليون: Xinwei Lee, Xinjian Yan, Ningyi Xie, Yoshiyuki Saito, Leo Kurosawa, Nobuyoshi Asai, Dongsheng Cai, Hoong Chuin LAU

نُشر 2026-04-15

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Xinwei Lee, Xinjian Yan, Ningyi Xie, Yoshiyuki Saito, Leo Kurosawa, Nobuyoshi Asai, Dongsheng Cai, Hoong Chuin LAU

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

تخيل أنك تحاول حل لغز ضخم ومعقد للغاية يسمى Max-Cut. هدفك هو تقسيم مجموعة من الأشخاص (العُقد) إلى فريقين بحيث يكون عدد الصداقات (الحواف) المقطوعة بين الفريقين هو الأعلى قدر الإمكان.

في عالم الحواسيب الكلاسيكية، يشبه هذا محاولة العثور على الترتيب المثالي لمليون قطعة من قطع الأحجية عبر فحص كل الاحتمالات الممكنة واحدة تلو الأخرى. وهذا يستغرق وقتاً طويلاً جداً.

هنا يأتي دور الحواسيب الكمومية. إنها تشبه حلالي أحاجي ذوي قدرات خارقة يمكنهم النظر في العديد من الاحتمالات في وقت واحد. وهناك طريقة شائعة يستخدمونها تسمى VQE (المحلل الذاتي المتغير). تخيل VQE كطالب يحاول تعلم حل اللغز؛ يقوم الطالب ببناء "حل تجريبي" (دائرة كمومية)، ثم يتحقق من مدى جودته، ثم يقوم "معلم" (حاسوب كلاسيكي) بتوجيهه لكيفية تعديل نهجه ليصبح أفضل.

المشكلة: الفصل الدراسي "الضجيجي"

العقبة هي أن الحواسيب الكمومية الحالية تشبه طلاباً في فصل دراسي صاخب وفوضوي للغاية. فهي عرضة لارتكاب الأخطاء (الضجيج) لأنها هشة.

كثرة الكيوبتات (البتات الكمومية): إذا كانت الأحجية ضخمة، فسيحتاج الطالب إلى مكتب ضخم يحتوي على آلاف القطع الصغيرة الهشة. وكلما زاد عدد القطع، زاد احتمال كسر قطعة منها أو اختلاطها.
كثرة البوابات (الخطوات): إذا كان الحل يتطلب آلاف الخطوات، فسيشعر الطالب بالتعب ويرتكب المزيد من الأخطاء أثناء العملية.

تجادل الورقة البحثية بأنه بدلاً من محاولة بناء فصل دراسي أكبر وأفضل (وهو أمر صعب ومكلف)، يجب علينا تعليم الطالب طريقة أذكى للدراسة تتطلب مكتباً أصغر وخطوات أقل.

الحل: "إلغاء المخروط الضوئي" (LCC)

قدم المؤلفون خدعة ذكية تسمى إلغاء المخروط الضوئي (Light Cone Cancellation - LCC).

تخيل أنك تحاول معرفة درجة حرارة غرفة معينة في قصر ضخم (الدائرة الكمومية).

الطريقة القديمة: ترسل ميزان حرارة عبر كل غرفة في القصر، من القبو إلى العلية، فقط لقياس درجة حرارة تلك الغرفة الواحدة. هذا بطيء، وقد ينكسر ميزان الحرارة أثناء العملية.
طريقة LCC: تدرك أن درجة حرارة الغرفة التي تهتم بها تتأثر فقط بالغرف المجاورة لها مباشرة. أما الغرف الموجودة في الجانب الآخر من القصر فلا تهم على الإطلاق! لذا، يمكنك إلغاء الرحلات غير الضرورية إلى الغرف البعيدة. أنت تقيس فقط "المخروط الضوئي" للتأثير حول الغرفة المستهدفة.

بلغة الورقة البحثية:

البوابات الزائدة: العديد من الخطوات في الدائرة الكمومية تلغي بعضها البعض رياضياً عند حساب الإجابة لجزء معين من المشكلة.
تفكيك المشكلة: بدلاً من تشغيل الدائرة الضخمة الكاملة للمشكلة بأكملها، تقوم LCC بتفكيك المشكلة إلى أحاجي صغيرة مستقلة.
النتيجة: يمكنك حل مشكلة مكونة من 100 عقدة (أحجية ضخمة) باستخدام حاسوب كمومي يحتوي فقط على 5 إلى 7 كيوبتات (مكتب صغير جداً).

التجربة: الأنظمة الخلفية "المزيفة" ذات الضجيج

اختبر الباحثون هذه الفكرة باستخدام حواسيب كمومية "مزيفة" ذات ضجيج (محاكاة تعمل كأجهزة حقيقية معيبة).

الاختبار: حاولوا حل أحاجي Max-Cut بأحجام مختلفة.
المقارنة: قارنوا بين "الطريقة القديمة" (تشغيل الدائرة الكاملة ذات الضوضاء) مقابل "طريقة LCC" (تفكيكها إلى دوائر صغيرة ونظيفة).
النتيجة: تفوقت طريقة LCC في كل مرة. حتى على جهاز صغير بـ 7 كيوبتات يعاني من الضجيج، كان أداؤها أفضل من الطريقة التي حاولت استخدام جهاز أكبر بـ 27 كيوبت. من خلال تقليل عدد الخطوات وحجم الدائرة، نجحوا فعلياً في "إسكات الضجيج" في الفصل الدراسي.

سؤال "الطبقات"

سأل الباحثون أيضاً: "ماذا لو جعلنا الطالب يدرس بجدية أكبر عبر إضافة طبقات من التعقيد؟"

وجدوا أن إضافة المزيد من الطبقات (جعل الدائرة أعمق) جعل الأمر أسوأ في الواقع. كان الأمر أشبه بالإفراط في الدراسة؛ حيث ارتبك الطالب، وعلق في "نهايات مسدودة" محلية، ولم يتمكن من العثور على أفضل حل.
الاستنتاج: النهج البسيط المكون من طبقة واحدة والمدمج مع LCC كان هو النقطة المثالية.

المواجهة النهائية: الكم ضد البطل الكلاسيكي

أخيراً، قارنوا طريقتهم الكمومية الجديدة (LCC-VQE) ضد خوارزمية Goemans-Williamson (GW)، وهي "المعيار الذهبي" الحالي للبطل الذي يحل هذه المشكلة على الحواسيب الكلاسيكية.

في الأحاجي البسيطة: ظل البطل الكلاسيكي (GW) هو الملك.
في الأحاجي المعقدة والكثيفة: بدأت الطريقة الكمومية (LCC-VQE) في اللحاق به بل وتفوقت عليه! وهذا يشير إلى أنه كلما أصبحت المشكلات أكثر صعوبة وترابطاً، فقد يكون لهذا النهج الكمومي ميزة خاصة.

الصورة الكبيرة

هذه الورقة البحثية هي مخطط لـ إنجاز المزيد بموارد أقل.
بدلاً من انتظار الحواسيب الكمومية لتصبح مثالية وضخمة، يمكننا استخدام حيل رياضية ذكية (LCC) لتقليص المشكلات الكبيرة لتناسب الآلات الصغيرة والمزججة التي نمتلكها اليوم. الأمر يشبه إدراك أنك لا تحتاج إلى رافعة عملاقة لنقل منزل؛ بل تحتاج فقط إلى تفكيكه إلى صناديق أصغر يمكن التحكم فيها ونقلها واحداً تلو الآخر.

باخت-صار: لقد وجدوا طريقة لجعل الحواسيب الكمومية تحل مشكلات كبيرة وفوضوية من خلال تجاهل الأجزاء من الحساب التي لا تهم، مما يؤدي إلى إجابات أسرع وأنظف وأكثر دقة.

1. بيان المشكلة

تتناول الورقة البحثية تحدي حل مشكلات التحسين التوافيقي واسعة النطاق، وتحديداً مشكلة Max-Cut (أقصى قطع)، على أجهزة الكم المتوسطة الحجم ذات الضجيج (NISQ).

العقبة: مع زيادة أحجام المشكلات، يزدء عدد الكيوبتات المطلوبة وعمق الدارة (البوابات). يؤدي هذا إلى:
1. صعوبة المحاكاة: المحاكاة الكلاسيكية للدارات الكمومية الكبيرة تتوسع بشكل أسي مع عدد الكيوبتات.
2. ضجيج الأجهزة: تعاني الأجهزة الكمومية الحقيقية من أخطاء البوابات وفقدان الترابط. الدارات الأكثر عمقاً وعدد الكيوبتات الأكثر تؤدي إلى تراكم المزيد من الضجيج، مما يقلل من جودة الحل (نسبة التقريب - Approximation Ratio).
الهدف: حل مشكلات Max-Cut لما يصل إلى 100 عقدة باستخدام عدد أقل من الكيوبتات والبوابات للتخفيف من حدة الضجيج وتمكين المحاكاة الكلاسيكية للنماذج الكبيرة، دون التضحية بدقة الحل.

2. المنهجية

يقترح المؤلفون تطبيق إلغاء المخروط الضوئي (Light Cone Cancellation - LCC) على خوارزمية المحلل الذاتي المتغير (Variational Quantum Eigensolver - VQE).

أ. الإطار الخوارزمي

Ansatz الخاص بـ VQE: تستخدم الدراسة ansatz ثنائي الموقع أحادي الطبقة (single-layer two-local ansatz) يتكون من بوابات دوران $R_y$ $R_{y}$ وبوابات تشابك $CZ$ $C Z$ دائرية.
- على عكس QAOA، الذي يستخدم ansatz يعتمد على المشكلة، يستخدم VQE بنية ثابتة ذات قدرة تعبيرية عالية.
- وجد المؤلفون أن طبقة واحدة كافية للحصول على حلول عالية الجودة؛ حيث إن إضافة المزيد من الطبقات تزيد من خطر الوقوع في النهايات الصغرى المحلية (Barren Plateaus) والإفراط في المعلمات (Over-parameterization).
إلغاء المخروط الضوئي (LCC):
- المبدأ: يستغل LCC خاصية التبادل (Commutativity) للبوابات الوحدوية مع الملحوظات المحلية. عند حساب القيمة المتوقعة $\langle \psi(\theta) | Z_i Z_j | \psi(\theta) \rangle$ لحافة معينة $(i, j)$ في هاميلتوني Max-Cut، فإن البوابات غير "المتصلة" بالكيوبتات $i$ و $j$ داخل المخروط الضوئي للملحوظ، تتبادل وتلغي بعضها البعض.
- التفكيك: بدلاً من تشغيل دارة كاملة لـ $N$ من الكيوبتات، يتم تفكيك القيمة المتوقعة إلى مجموع من الدارات الفرعية (Sub-circuits).
- تقليل الكيوبتات: بالنسبة لـ ansatz ثنائي الموقع أحادي الطبقة مع تشابك دائري، فإن الحد الأقصى لعدد الكوبتات المطلوبة لمحاكاة أي حد محلي $Z_i Z_j$ هو 5 كيوبتات (تحديداً $2k+1$ حيث $k=2$ هو الموضعية، بغض النظر عن الحجم الإجمالي للرسم البياني $N$ ).
- تقليل البوابات: يتم إزالة البوابات الزائدة من الدارات الفرعية، مما يقلل بشكل كبير من عمق الدارة.

ب. سير العمل

التفكيك: يتم تقسيم هاميلتوني التكلفة العالمي إلى حدود محلية.
تنفيذ الدارات الفرعية: يتم تقييم كل حد محلي باستخدام دارة فرعية صغيرة (بحد أقصى 5 كيوبتات) بدلاً من الدارة الكاملة لـ $N$ من الكيوبتات.
إعادة البناء: يتم إعادة بناء القيمة المتوقعة الإجمالية عن طريق جمع نتائج هذه الدارات الفرعية.
التحسين: يقوم محسن كلاسيكي (COBYLA) بتحديث المعلمات المتغيرة $\theta$ بناءً على القيمة المتوقعة المعاد بناؤها.

3. المساهمات الرئيسية

القابلية للتوسع عبر تقليل الكيوبتات: تم إثبات أن VQE مع LCC يمكنه حل مشكلات Max-Cut لأي حجم (حتى 100 عقدة) باستخدام 5 كيوبتات كحد أقصى للمحاكاة، مما ينقل التعقيد من الأسي (في $N$ ) إلى متعدد الحدود (في عدد الحواف).
تخفيف حدة الضجيج: أظهر أن تقليل عدد البوابات والكيوبتات عبر LCC يقلل مباشرة من تأثير ضجيج الأجهزة، مما يؤدي إلى نسب تقريب (AR) أعلى على المحاكيات ذات الضجيج.
تحليل الطبقات: قدم دليلًا تجريبيًا على أن الـ ansatz أحادي الطبقة يتفوق على الـ ansatz متعدد الطبقات في سياق Max-Cut، لأن الدارات الأعمق تزيد من حجم "المخروط الضوئي" (مما يقلل من فائدة LCC) وتسبب صعوبات في التحسين.
المقارنة المرجعية: وضع مقارنة صارمة بين LCC-VQE وخوارزمية Goemans-Williamson (GW) الكلاسيكية في الظروف الخالية من الضجيج.

$4$. النتائج التجريبية

استخدمت الدراسة خلفيات ضجيج مزيفة من Qiskit (FakeCasablanca بـ 7 كيوبتات و FakeParis بـ 27 كيوبتًا) ومحاكيات الحالة المتجهة (Statevector) الخالية من الضجيج.

أ. المحاكاة ذات الضجيج (تخفيف حدة الضجيج)

مقارنة الأجهزة: تم تشغيل LCC-VQE على جهاز بـ 7 كيوبتات (باستخدام 5 كيوبتات للدارات الفرعية)، بينما تم تشغيل VQE القياسي على جهاز بـ 27 كيوبتًا (باستاستخدام جميع $N$ $N$ من الكيوبتات).
- النتيجة: حقق LCC-VQE نسب تقريب أعلى من VQE القياسي، رغم أن جهاز الـ 7 كيوبت أصغر. وهذا يؤكد أن تقليل عدد البوابات وعمق الدارة يفوق فوائد استخدام جهاز أكبر وأكثر ضجيجًا.
مقارنة على نفس الجهاز: عندما تم تشغيل كلتا الطريقتين على خلفية 27 كيوبت، تفوق LCC-VQE باستمرار على VQE القياسي.
- الملاحظة: اتسعت فجوة الأداء مع زيادة حجم المشكلة ( $N$ )، مما يشير إلى أن LCC أكثر فعالية في تخفيف الضجيج للدارات الأكبر.
القابلية للتوسع: نجح LCC-VQE في حل حالات Max-Cut حتى 100 عقدة على محاكي الـ 7 كيوبت، وهي مهمة مستحيلة لـ VQE القياسي بسبب قيود الكيوبتات.

ب. المحاكاة الخالية من الضجيج (المقارنة مع GW)

الإعداد: تمت مقارنة LCC-VQE مع خوارزمية Goemans-Williamson (GW) على رسوم بيانية مكونة من 100 رأس (منتظمة و Erdős-Rényi).
النتائج:
- في الرسوم البيانية منخفضة الدرجة، كان أداء GW أفضل قليلاً أو مشابهًا.
- في الرسوم البيانية عالية الدرجة (الأكثر كثافة)، تفوق LCC-VQE على GW. وتحديدًا، في الرسوم البيانية المنتظمة ذات الدرجة $d \geq 9$ ورسوم Erdős-Rényi ذات احتمالية الحافة $p \geq 0.2$ ، حقق LCC-VQE نسب تقريب (AR) أعلى في الوسيط والربيع العلوي.
- يشير هذا إلى أن القدرة التعبيرية لـ ansatz الخاص بـ VQE تسمح له بإيجاد حلول أفضل في الرسوم البيانية المعقدة والكثيفة حيث تعاني خوارزميات التقريب الكلاسيكية.

5. الأهمية والخاتمة

جدوى VQE واسع النطاق: تثبت الورقة أن VFE مرشح قابل للتطبيق لحل مشكلات التحسين واسعة النطاق على أجهزة NISQ، بشرط استخدام تقنيات تفكيك الدارات مثل LCC.
كفاءة الأجهزة: من خلال تقليل الكيوبتات المطلوبة إلى عدد ثابت (5) بغض النظر عن حجم المشكلة، يتجاوز LCC-VQE العائق الأساسي للأجهزة في المعالجات الكمومية الحالية.
المرونة تجاه الضجيج: تحول هذه الطريقة بفعالية "مشكلة الضجيج" إلى "مشكلة عمق الدارة"، مما يظهر أن الدارات الأقل عمقًا والأصغر حجمًا تعطي نتائج أفضل من الدارات الأعمق والأكبر على الأجهزة الحالية.
الاتجاهات المستقبلية: يشير المؤلفون إلى أنه على الرغم من أن LCC-VQE واعد، إلا أن هناك حاجة لمزيد من البحث لتحسين الجمع بين LCC مع خوارزميات أخرى واختبار هذه الطرق على مشكلات تحسين أخرى تتجاوز Max-Cut.

باختصار، توضح هذه الدراسة أن إلغاء المخروط الضوئي (LCC) هو تقنية قوية لجعل VQE عمليًا لمشكلات التحسين واسعة النطاق في العالم الحقيقي من خلال تقليل المتطلبات من الموارد وتخفيف التأثير الضار للضجيج الكمومي.