Qubit-efficient quantum combinatorial optimization solver

إليك ملخص تقني مفصل للورقة البحثية بعنوان "Qubit-efficient quantum combinatorial optimization solver" (محلل تحسين توافقي كمي كفء في استخدام الكيوبتات) من إعداد بوفانيش سوندار وماكسيم دوبونت (Rigetti Computing).

1. بيان المشكلة

تعاني الحواسيب الكمية الحالية، وخاصة الأجهزة ذات النطاق المتوسط المليئة بالضجيج (NISQ)، من عدد محدود من الكيوبتات (عشرات إلى مئات) مقارنة بآلاف المتغيرات المطلوبة لمشكلات التحسين التوافقي في العالم الحقيقي (مثل اللوجستيات وسلاسل التوريد).

• عنق الزجاجة: تعتمد الخوارزميات الكمية القياسية، مثل خوارزمية التحسين التقريبي الكمي (QAOA)، على تخطيط (mapping) متغير واحد لكل كيوبت واحد. وهذا يجعلها غير قابلة للتطبيق على المشكلات واسعة النطاق على الأجهزة الحالية.
• المقايضة: الطرق الحالية "الفعالة في استخدام الكيوبتات" (مثل قطع الدوائر، أو ترميز السعة، أو التفكيك) غالبًا ما تترتب عليها أعباء حسابية كلاسيكية هائلة، أو تتطلب تصحيح أخطاء معقدًا، أو تكون محدودة بأنواع معينة من المشكلات.
• الهدف: تطوير خوارزمية تحل مشكلات التحسين التوافقي الكبيرة باستخدام عدد أقل بكثير من الكيوبتات مقارعدد المتغيرات ($q \ll N$) مع الحفاظ على جودة الحل وتقليل الأعباء الكلاسيكية.

2. المنهجية

يقترح المؤلفون ترميزًا كفؤًا في استخدام الكيوبتات مقترنًا بـ خوارزمية كمية تباينية تعمم خوارزمية QAOA.

أ. الترميز الكفء في استخدام الكيوبتات (تخطيط متعدد إلى واحد)

بدلاً من تخطيط $N$ من المتغيرات لـ $N$ من الكيوبتات، تقوم الخوارزمية بتخطيط $N$ من المتغيرات الثنائية ($z_1, \dots, z_N$) على $q = d + \log_2(N/d)$ من الكيوبتات.

• التجميع: يتم تقسيم المتغيرات $N$ إلى $N/d$ من المجموعات، تحتوي كل منها على $d$ من المتغيرات.
• تمثيل الحالة: يتم ترميز الحل كدالة موجية متشابكة:
  $$|\phi(z)\rangle = \sum_{\ell=0}^{N/d-1} \lambda_\ell |\ell\rangle_{\text{label}} \otimes |z_\ell\rangle_{\text{data}}$$
  • كيوبتات التسمية (Label Qubits) ($\log_2(N/d)$): تخزن الفهرس $\ell$ للمجموعة.
  • كيوبتات البيانات (Data Qubits) ($d$): تخزن قيم $d$ من المتغيرات في المجموعة المختارة.
  • الآلية: يحدد القياس الإسقاطي لكيوبتات التسمية أي مجموعة من المتغيرات هي "النشطة" حاليًا في كيوبتات البيانات. يتم تخزين الحل الكامل في التراكب لهذه الحالات المتشابكة.

ب. النموذج التبايني (Generalized QAOA)

يقترح المؤلفون دائرة تباينية حيث يكون هاميلتوني التكلفة (cost Hamiltonian) معتمدًا على الطبقة ومعتمدًا على الحالة.

• تقدير دالة التكلفة: نظرًا لأن الدالة الموجية لا تحتوي على جميع المتغيرات في آن واحد في حالة ضرب (product state)، يتم تقدير دالة التكلفة $C(z)$ باستخدام قيم التوقع الشرطية.
  • المصطلحات التي تتضمن متغيرات داخل نفس المجموعة ($\ell_i = \ell_j$) تُقاس مباشرة عبر الاختيار اللاحق (post-selection).
  • المصطلحات التي تتضمن متغيرات في مجموعات مختلفة ($\ell_i \neq \ell_j$) تُقدر باستخدام تقريب المجال المتوسط (mean-field approximation) ($\bar{z}_i \times \bar{z}_j$).
• بناء الهاميلتوني: يعتمد الهاميلتوني الفعال $\hat{H}[\psi]$ على الدالة الموجية الحالية $|\psi\rangle$ بسبب الطبيعة غير الخطية لتقدير التكلفة.
• هيكل الدائرة: يتكون النموذج (ansatz) من طبقات متبادلة من:
  1. الخلط (Mixing): دورات المجال المستعرض ($e^{-i\beta \hat{H}_x}$).
  2. فصل الطور (Phase Separation): وحدات تحكم (controlled unitaries) ($e^{-i\gamma \hat{H}[\psi]}$) حيث يكون التحكم بواسطة كيوبتات التسمية والهدف هو كيوبتات البيانات.
• كسر التماثل: يعاني النموذج القياسي من تماثل $Z_2$ (تراكب $z$ و $-z$)، مما يمنع التقارب نحو تكلفة الحالة الأرضية. يقدم المؤلفون مصطلح كسر التماثل ($\hat{H}_z$) لتوجيه الحل نحو حالة أرضية محددة.

ج. النسخة التكيفية

تستكشف الورقة أيضًا خوارزمية (Adaptive Qubit-Efficient QAOA) (مستوحاة من ADAPT-QAOA)، حيث يتم اختيار مشغلات الخلط ديناميكيًا من مجموعة بناءً على تدرجات المقدار لبناء النموذج طبقة تلو الأخرى.

3. المساهمات الرئيسية

1. مخطط ترميز مبتكر: قدم مخططًا عامًا من "متعدد إلى واحد" يخزن $N$ من المتغيرات في $O(\log N)$ من الكيوبتات (عندما $d=1$) أو عدد قابل للضبط $d + \log(N/d)$، مما يقلل بشكل كبير من متطلبات الكيوبتات دون الأعباء الكلاسيكية الأسية لقطع الدوائر.
2. خوارزمية QAOA معممة: طورت خوارزمية تباينية حيث يتم تحديث هاميلتوني التكلفة كلاسيكيًا بناءً على نتائج القياس من الطبقة السابقة، مما يسمح للدائرة بالتعامل مع تقدير التكلفة غير الخطي المتأصل في الترميز.
3. تركيز المعلمات (Parameter Concentration): أثبتت أن المعلمات المثلى لهذا النموذج تظهر خاصية التكتل (على غرار QAOA القياسي). والأهم من ذلك، أن المعلمات التي تم تحسينها لحجم مشكلة $N$ يمكن إعادة قياسها وإعادة استخدامها لأحجام $N$ أكبر (على سبيل المثال، من $N=64$ إلى $N=128$)، مما يقلل بشكل كبير من الأعباء الحسابية الكلاسيكية.
4. التحقق التجريبي: نُفذت تجربة إثبات المفهوم بنجاح على شريحة Rigetti Ankaa™-9Q-3 فائقة التوصيل، مما أظهر ارتباطًا عاليًا (معامل بيرسون $r=0.997$) بين تضاريس التكلفة التجريبية والمحاكاة الخالية من الضجيج.

4. النتائج

• الاختبار المعياري (نماذج Sherrington-Kirkpatrick):
  • تم الاختبار على نماذج زجاج المغزل (spin-glass) من نوع SK بـ $N=64$ و $N=128$ متغيرًا.
  • الأداء: حققت الخوارزمية نسب تقريب مقاربة لـ QAOA القياسي ($d=N$) ولكن باستخدام عدد أقل بكثير من الكيوبتات.
    • مثال: نموذج بـ $d=2$ (باستخدام 8 كيوبتات فقط لـ $N=64$) حقق نتائج مقاربة لـ QAOA القياسي بطبقة واحدة $p=1$، رغم استخدامه 8 أضعاف أقل من الكيوبتات.
    • حالة $d=1$ (باستخدام $\approx 7$ كيوبتات لـ $N=64$) تفوقت على QAOA القياسي بطبقتين $p=2$.
  • إعادة قياس المعلمات: وُجد أن المعلمات المثلى $\gamma$ تتدرج وفق $\gamma \propto d/N^{3/2}$. استخدام المعلمات التي تم تحسينها لـ $N=64$ وإعادة قياسها سمح للخوارزمية بحل حالات $N=128, 256, 512$ بدقة عالية، مما يؤكد خاصية تركيز المعلمات.
  • النهج التكيفي: أظهرت النسخة التكيفية تحسنًا مستمرًا في نسب التقريب مع العمق $p$، رغم أنها وصلت إلى مرحلة التشبع في وقت أبكر من النموذج ذي الهيكل الثابت في بعض الحالات، مما يشير إلى وجود مجال للتحسين في اختيار مجموعة المشغل (mixer pool).
  • أداء الأجهزة: أظهرت النتائج التجريبية على شريحة Rigetti المكونة من 9 كيوبتات انخفاضًا بنسبة $\sim15\%$ في مقدار التكلفة بسبب الضجيج، ومع ذلك ظل هيكل التضاريس سليمًا، مما يؤكد جدوى النهج على الأجهزة الحالية.

5. الأهمية والآفاق المستقبلية

• الفائدة في المدى القريب: يتيح هذا النهج حل مشكلات التحسين التي تضم مئات المتغيرات باستخدام أجهزة كمية صغيرة الحجم حاليًا (عشرات الكيوبتات)، مما يسد الفجوة بين قدرات أجهزة NISQ والمشكلات العملية.
• القابلية للتوسع: تشير خاصية تركيز المعلمات إلى أنه مع توسع الحوسبة الكمية، لن تتوسع التكلفة الكلاسيكية لإيجاد المعلمات المثلى خطيًا مع حجم المشكلة، مما يجعل الخوارزمية فعالة للغاية.
• تحمل الخطأ: هذه الطريقة قابلة للتطبيق على الحواسيب الكمية الصغيرة المستقبلية ذات القدرة على تحمل الخطأ، مما يوفر طريقة لحل المشكلات الكبيرة حتى لو ظلت أعداد الكيوبتات المنطقية محدودة.
• تعدد الاستخدامات: بينما تم اختبارها على نماذج SK، فإن الترميز والنموذج (ansatz) عامان ويمكن توسيع نطاقهما ليشمل مشكلات أخرى (QUBO، MaxCut) وتطبيقات الكمبيوتر الكمي للتعلم الآلي المحتملة.

الخلاصة: تقدم الورقة إطارًا قويًا للتغلب على عقبة نقص الكيوبتات. من خلال الاستفادة من الدوال الموجية المتشابكة والهاميلتونيات المعتمدة على الحالة، تحقق الخوارزمية حلولًا عالية الجودة باستخدام جزء ضئيل من الكيوبتات المطلوبة بالطرق التقليدية، وهو ما تم التحقق منه عددياً وتجريبياً.