في المشهد الشاسع للفيزياء الحديثة، يوجد تحدٍ جوهري: فهم كيفية سلوك نظام معقد عندما لا نستطيع إلا رؤية جزء ضئيل منه. تخيل حاسوبًا كموميًا، وهو آلة مكونة من العديد من الجسيمات الصغيرة التي تسمى الكيوبتات (qubits). لمعرفة كيفية عمل هذه الآلة، يحتاج العلماء عادةً إلى قياس كل جزء منها، لكن في العالم الكمومي، غالبًا ما يكون النظر إلى كل شيء في وقت واحد مستحيلاً أو يؤدي إلى تدمير المعلومات التي يسعون وراءها. بدلاً من ذلك، غالبًا ما يمتلك الباحثون فقط تلميحات محلية جزئية، مثل السلوك المتوسط لعدد قليل من الجسيمات المتجاورة. ويصبح السؤال حينها: هل يمكننا إعادة بناء الحالة الخفية للنظام بأكملها من هذه التلميحات المحلية المحدودة؟ هذا هو جوهر مشكلة تُعرف باسم الاستدلال بالإنتروبيا القصوى (maximum entropy inference). وهي تعتمد على مبدأ توجيهي من منتصف القرن العشرين يشير إلى أنه عندما نفتقر إلى معلومات كاملة، فإن أفضل تخمين لحالة النظام هو التخمين الذي يفترض أقل قدر ممكن من النظام الخفي، أو بالمعنى التقني، الحالة ذات عدم اليقين الأعلى الممكن. هذا النهج ليس مجرد فضول نظري؛ بل هو المفتاح لتعلم القواعد الأساسية، أو "الهاميلتونيات" (Hamiltonians)، التي تحكم كيفية عمل الآلات الكمومية، وهي مهمة ضرورية لبناء حواسيب كمومية أفضل وفهم مواد جديدة.

لعقود من الزمن، طور العلماء أدوات رياضية قوية لحل هذا اللغز للأنظمة الكلاسيكية، مثل الغازات أو المغناطيسات البسيطة. ومع ذلك، عندما تُطبق هذه الأدوات على المجال الكمومي، فإنها تصطدم بحائط مسدود. ينبع هذا الصعوبة من أن الجسيمات الكمومية لا تتصرف مثل العملات المعدنية أو النرد المستقل؛ فخصائصها متشابكة بعمق بطريقة تتحدى الجمع البسيط، وهي سمة تُعرف بعدم التبادل (non-commutativity). هذا الاختلاف الدقيق يجعل الاختصارات الرياضية القياسية المستخدمة في المشكلات الكلاسيكية تفشل أو تصبح بطيئة للغاية عند تطبيقها على الأنظمة الكمومية. وقد تدخل فريق من الباحثين الآن لسد هذه الفجوة؛ حيث قاموا بأخذ خوارزميتين معروفتين جيدًا، إحداهما تعمل على زيادة التخمينات بشكل تكراري والأخرى تتبع المسار الأكثر انحدارًا نحو الأسفل، ونجحوا في تكييفهما للعالم الكمومي. والأهم من ذلك، أنهم أثبتوا أن النسخ الكمومية الجديدة من هذه الخوارزميات تعمل بشكل موثوق وطوروا طريقة لجعلها تعمل أسرع بآلاف المرات.

بدأ الباحثون بترجمة منطق التعلم الكلاسيكي إلى لغة ميكانيكا الكم. لقد ركزوا على مهمة محددة: بالنظر إلى قائمة من القياسات المحلية المأخوذة من نظام كمومي، أرادوا إيجاد مجموعة المعلمات التي تحدد مشهد طاقة النظام. في العالم الكلاسيكي، يشبه هذا تحديد درجة الحرارة والضغط لغاز من خلال مراقبة عدد قليل من الجزيئات. أما في العالم الكمومي، فالأمر يشبه محاولة استنتاج قواعد لعبة معقدة من خلال مراقبة عدد قليل من الحركات فقط، حيث تغير هذه الحركات نفسها القواعد. قدم الفريق خوارزمية جديدة تسمى "القياس التكراري الكمومي" (Quantum Iterative Scaling). تعمل هذه الطريقة من خلال المقارنة المستمرة بين ما يتنبأ به التخمين الحالي بشأن شكل النظام وما تم قياسه بالفعل. إذا كان التنبؤ غير دقيق، تقوم الخوارهازمية بتعديل تخمينها. وبينما يبدو هذا مشابهًا للطرق الكلاسيكية، فإن الرياضيات الكامنة وراءه أكثر تعقيدًا بكثير لأن المؤثرات الكمومية المعنية لا تتبادل (do not commute)، مما يعني أن الترتيب الذي تُطبق به تلك المؤثرات أمر بالغ الأهمية. وقد أثبت الباحثون أنه رغم هذا التعقيد، فإن الخوارزمية تضمن الوصول إلى الإجابة الصحيحة، بشرط أن يستوفي النظام شروطًا معيارية معينة.

لفهم مدى سرعة هذه الطريقة الجديدة، أجرى الفريق تحليلًا رياضيًا صارمًا. لقد فحصوا "حد السرعة" للخوارزمية من خلال دراسة مدى تقلص الخطأ مع كل خطوة. في المشكلات الكلاسيكية، يكون هذا التحليل مباشرًا، ولكن في الحالة الكمومية، تجعل الطبيعة غير التبادلية للجسيمات الرياضيات أصعب بكثير. تمكن الباحثون من وضع حدود عليا وسفلى صارمة لسرعة التقارب. وأظهروا أن الخوارزمية لا تتجول بلا هدف؛ بل تتحرك بثبات نحو الحل بمعدل يمكن التنبؤ به. كشف تحليلهم أنه بالنسبة للتفاعلات المحلية، يتناقص الخطأ هندسيًا، مما يعني أن الخوارزمية تقترب من الحقيقة بعامل ثابت مع كل تكرار. يعد هذا الإثبات إنجازًا تقنيًا كبيرًا لأنه يؤكد أن النسخة الكمومية من المشكلة قابلة للحل في وقت معقول، بدلاً من كونها مهمة مستحيلة قد تستغرق للأبد للحوسبة.

ومع ذلك، فإن معرفة أن الخوارزمية تعمل هي نصف المعركة فقط؛ أما النصف الآخر فهو معرفة كيفية جعلها سريعة بما يكفي لتكون مفيدة. وجد الباحثون أنه بينما تعمل خوارزميتهم الكمومية الأساسية بشكل سليم رياضيًا، إلا أنها قد تكون بطيئة في الممارسة العملية، حيث تستغرق مئات أو حتى آلاف الخطوات للوصول إلى مستوى عالٍ من الدقة. ولحل هذه المشكلة، لجأوا إلى فئة من التقنيات المعروفة باسم طرق "شبه نيوتن" (quasi-Newton methods). هذه الطرق هي عبارة عن استدلالات ذكية، أو اختصارات ذكية، استُخدمت لعقود في الحوسبة الكلاسيكية لتسريع عمليات الأمثلة (optimization). طبق الفريق نوعين محددين من هذه المسرعات على خوارزمياتهم الكمومية. الأول، المعروف باسم "خلط أندرسون" (Anderson mixing)، ينظر في تاريخ الخطوات القليلة الماضية ويستخدم تلك المعلومات للتنبؤ بخطوة تالية أفضل بكثير، مما يسمح بتجاوز التقدم التدريجي البطيء. والثاني، المسمى "L-BFGS"، وهو أسلوب يبني تقريبًا لشكل المشهد لاتخاذ مسارات أكثر مباشرة نحو الحل.

كانت نتائج تطبيق هذه المسرعات دراماتيكية. في المحاكاة العددية، تطلبت الخوارزمية الكمومية القياسية حوالي 1,500 خطوة لتقليل الخطأ إلى مستوى صغير جدًا. وفي المقابل، وصلت النسخ المعززة إلى نفس مستوى الدقة في أقل من 20 خطوة. يمثل هذا تحسنًا بمقدار رتبتين من حيث الحجم، وهو تسريع يحول الطريقة من كونها مثيرة للاهتمام نظريًا إلى كونها قابلة للتطبيق عمليًا. اختبر الباحثون هذه الأساليب على أنواع مختلفة من الأنظمة الكمومية، بما في ذلك سلاسل من الجسيمات المتفاعلة وترتيبات أكثر تعقيدًا، ووجدوا أن النسخ المعزلة تفوقت باستمرار على النهج القياسي. كما قارنوا طريقة "القياس التكراري الكمومي" الجديدة الخاصة بهم مع نهج "الاشتقاق المتدرج" (gradient descent) القياسي، وهو طريقة أخرى شائعة لحل مشكلات الأمثلة. ووجدوا أنه حتى بدون التسريع، كانت طريقة القياس التكراري الكمومي الخاصة بهم أكثر كفاءة بشكل عام، لكن إضافة تقنيات "شبه نيوتن" أحدثت الفرق بين الحساب البطيء والحل السريع.

تمتد آثار هذا العمل إلى ما هو أبعد من مجرد الحسابات الأسرع. فمع نمو الحواسيب الكمومية في الحجم والتعقيد، تصبح القدرة على تعلم قواعدها الداخلية من بيانات محدودة أمرًا بالغ الأهمية. لا تزال الأجهزة الكمومية الحالية في مراحلها الأولى، وهي عرضة للأخطاء ومحدودة النطاق. في هذه البيئة، تعتبر الموارد الحسابية ثمينة ونادرة. كل خطوة إضافية تتخذها الخوارزمية تستهلك وقتًا وطاقة يمكن استغلالهما في مهام أخرى. ومن خلال إثبات أن هذه الخوارزميات تتقارب بشكل موثوق ومن خلال إظهار كيفية تسريعها، قدم الباحثون مجموعة أدوات لتعلم كمومي أكثر كفاءة. وهذا مهم بشكل خاص لمهام مثل "تعلم الهاميلتوني" (Hamiltonian learning)، حيث يحاول العلماء عكس هندسة قواعد الطاقة لنظام كمومي للتحقق من أدائه أو لاكتشاف ظواهر فيزيائية جديدة. تشير الدراسة إلى أنه باستخدام هذه الأساليب المعززة، يمكننا تحقيق أقصى استفادة من آلاتنا الكمومية الحالية وغير المثالية، واستخراج أقصى قدر من المعلومات بأقل جهد ممكن.

يختتم البحث بالتأكيد على أنه بينما يعد الإثبات النظري للتقارب خطوة كبيرة للأمام، فإن التسريع العملي هو ما سيقود على الأرجح تبني هذه الأساليب في هذا المجال. يشير الباحثون إلى أن التقنيات التي استخدموها، مثل "خلط أندرسون" و"L-BFGS"، قد طُورت في الأصل للحواسيب الكلاسيكية التي كانت أيضًا غير مستقرة ومليئة بالأخطاء في أيامها الأولى. وكما ساعدت تلك الاستدلالات المبكرة الحوسبة الكلاسيكية على التغلب على قيودها الأولية، فإن هذه التقنيات نفسها قد تكون ضرورية لفتح إمكانات الحوسبة الكمومية اليوم. لا يدعي العمل أنه حل كل مشكلة في التعلم الكمومي، ولا يشير إلى أن الأساليب تعمل لكل نوع ممكن من الأنظمة الكمومية دون قيود. بدلاً من ذلك، فإنه يقدم إطارًا قويًا ومثبتًا لفئة محددة وهامة للغاية من المشكلات، موضحًا أنه باستخدام الأدوات الرياضية الصحيحة، يمكننا التنقل عبر التعقيدات غير التبادلية للعالم الكمومي بسرعة ودقة مذهلتين.