🔬 mesoscale physics

Quantum feedback control with a transformer neural network architecture

تُثبت هذه الورقة أن بنية الشبكة العصبية من نوع "ترانسفورمر" (Transformer)، عبر الاستفادة من قدرتها على رصد الارتباطات الزمنية بعيدة المدى، تتفوق على طرق التحكم التقليدية مثل الشبكات العصبية المتكررة في مهام التغذية الراجعة الكمومية مثل استقرار الحالة وتقليل الطاقة، حتى في ظل الظروف الصعبة مثل القياسات غير الفعالة، والاضطرابات الهاملتونية، والديناميكيات غير الماركوفية.

المؤلفون الأصليون: Pranav Vaidhyanathan, Florian Marquardt, Mark T. Mitchison, Natalia Ares

نُشر 2026-02-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Pranav Vaidhyanathan, Florian Marquardt, Mark T. Mitchison, Natalia Ares

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 توجيه قارب صغير غير مرئي (نظام كمي) عبر بحر هائج. القارب غير مستقر، والأمواج فوضوية، ولا يمكنك رؤية المحيط بأكمله في وقت واحد. أنت لا تحصل إلا على لمحات ضبابية وصغيرة عن مكان وجود القارب من خلال نافذة مغبشة (وهذا هو القياس). هدفك هو الحفاظ على استقرار القارب أو توجيهه إلى وجهة محددة بأسرع وقت ممكن.

هذا هو تحدي التحكم بالتغذية الراجعة الكمية. لفترة طويلة، استخدم العلماء أداتين رئيسيتين لتوجيه هذا القارب:

الآلات الحاسبة الثقيلة رياضياً: تحاول حل معادلات فيزيائية معقدة في الوقت الفعلي لتخمين أفضل حركة. هي دقيقة ولكنها بطيئة جداً، مثل محاولة حل مسألة رياضية في ذهنك أثناء قيادة سيارة سباق.
الذكاء الاصطناعي التقليدي (الشبكات العصبية المتكررة): تشبه هذه الشبكات طالباً يحاول تذكر الثواني القليلة الماضية من الرحلة لاتخاذ الخطوة التالية. المشكلة هي أنها تمتلك "مدى انتباه قصيراً". إذا استمرت العاصفة لفترة طويلة أو كان تاريخ مسار القارب معقداً، فإنها تنسى ما حدث سابقاً وتبدأ في ارتكاب الأخطاء.

الحل الجديد: الذكاء الاصطناعي "القارئ الخارق"

يقدم مؤلفو هذه الورقة البحثية نوعاً جديداً من الذكاء الاصطناعي يسمى المحول (Transformer). قد تعرف هذه التقنية من الأدوات مثل ChatGPT، وهي مذهلة في قراءة القصص الطويلة وفهم كيفية ارتباط بداية الجملة بنهايتها.

أدرك الباحثون أن توجيه قارب كمي يشبه قراءة قصة. فمن أجل اتخاذ أفضل قرار الآن، تحتاج إلى فهم التاريخ الكامل لرحلة القارب، وليس فقط الثواني القليلة الماضية.

إليك كيف يعمل نظامهم الجديد، مقسماً إلى استعارات بسيطة:

1. "العين التي ترى كل شيء" (آلية الانتباه)

الذكاء الاصطناعي التقليدي ينظر إلى مسار القارب خطوة بخطوة، مثل قراءة كتاب كلمة بكلمة. إذا كان الكتاب طويلاً، فإنه يتعب وينسى الصفحة الأولى.

أما المحول (Transformer) فهو مثل القارئ الذي يمكنه النظر إلى الكتاب بأكمله دفعة واحدة. إنه يستخدم آلية تسمى "الانتباه" (Attention) لربط الموجة الحالية فوراً بموجة حدثت قبل 100 خطوة.

تشبيه: تخيل أنك تلعب مباراة شطرنج. الذكاء الاصطناعي التقليدي ينظر إلى آخر 3 حركات فقط. أما "المحول" فينظر إلى تاريخ اللعبة بأكمله، متذكراً أن الخصم قام بحركة مخاطرة قبل 20 دورة وأنها على وشك أن تؤتي ثمارها الآن. هذا يسمح له بالتعامل مع المشكلات "طويلة المدى" التي تربك أنواع الذكاء الاصطناي الأخرى.

2. الفريق المكون من جزأين (المُشفّر والمُفكك)

بنى الباحثون ذكاءً اصطناعياً مخصصاً يتكون من جزأين يعملان معاً:

المُشفّر - المُرمز (The Encoder - المؤرخ): هذا الجزء يقرأ التاريخ الكامل لحركة القارب والظروف الأولية. يقوم بإنشاء "ملخص" للموقف، وفهم الصورة الكبيرة.
المُفكك (The Decoder - الطيار): يأخذ هذا الجزء الملخص مع الرؤية الحالية للقارب ليقرر خطوة التوجيه التالية. ومن المهم جداً أنه مُدرب على النظر إلى الماضي فقط (السببية)، مما يضمن عدم "الغش" عبر استراق النظر إلى المستقبل.

3. التعلم بطريقتين

تظهر الورقة البحثية أن هذا الذكاء الاصطناعي يمكنه التعلم بطريقتين مختلفتين:

التعلم تحت الإشراف (الطالب): يتم إعطاء الذكاء الاصطناعي "كتاباً مدرسياً" يحتوي على حركات مثالية (تم حسابها بواسطة حاسوب خارق) ويتعلم محاكاتها. الأمر يشبه طالباً يحفظ حل مسألة فيزياء ليتمكن من حل مسائل مشابهة فوراً لاحقاً.
التعلم التعزيزي (المستكشف): أحياناً، لا يوجد كتاب مدرسي. هنا يتعين على الذكاء الاصطناعي التعلم من خلال التجربة والخطأ. يقوم بتجربة حركات توجيه مختلفة، ويرى ما إذا كان القارب يقترب من الهدف، ويحصل على "مكافأة" (نقاط) عند أدائه بشكل جيد. بمرور الوقت، يستنتج أفضل استراتيجية بنفسه، حتى في الأنظمة الأكثر تعقيداً والمتعددة القوارب.

لماذا يعد هذا أمراً بالغ الأهمية؟

السرعة: الآلات الحاسبة الثقيلة رياضياً تستغرق ثوانٍ لتحديد الخطوة التالية. أما "المحول" فيفعل ذلك في جزء من الثانية. إنه الفرق بين إنسان يحسب مساراً على خريطة أثناء القيادة وبين نظام GPS يتحدث فوراً.
الذاكرة: إنه لا ينسى. يمكنه التعامل مع الأنظمة "غير الماركوفية" (non-Markovian) — وهو مصطلح فيزيائي معقد يعني "الأنظمة ذات الذاكرة الطويلة". إذا كان تمايل القارب الحالي ناتجاً عن موجة ضربته قبل دقيقة، فإن "المحول" يتذكر هذا الارتباط، بينما قد تنسى الأنواع القديمة من الذكاء الاصطناعي ذلك.
المتانة: حتى لو كانت المستشعرات ضبابية (قياسات غير فعالة) أو تغيرت الرياح بشكل غير متوقع (الضجيج)، فإن "المحول" يتكيف ويحافظ على مسار القارب.

الخلاصة

تظهر هذه الورقة البحثية أننا، من خلال استعارة تقنية "القراءة الخارقة" المستخدمة في ذكاء اللغة الاصطناعي الحديث، يمكننا الآن التحكم في الآلات الكمية الأصغر والأكثر هشاشة بسرعة وموثوقية أكبر من ذي قبل.

بدلاً من محاولة حل معادلات فيزيائية معقدة في الوقت الفعلي، يمكننا تدريب ذكاء اصطناعي "قارئ خارق" لينظر إلى تاريخ النظام ويعرف فوراً الحركة المثالية للقيام بها. قد يكون هذا هو المفتاح لبناء حواسيب كمية أفضل، وإصلاح الأخطاء فيها تلقائياً، وتثبيت الحالات الكمية الدقيقة اللازمة للتقنيات المستقبلية.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التحكم في التغذية الراجعة الكمومية باستخدام بنية شبكة ترانسفورمر عصبية".

1. بيان المشكلة

تعتمد التقنيات الكمومية بشكل كبير على التحكم الدقيق في الأنظمة الكمومية، لا سيما من خلال التحكم القائم على القياس (measurement-based feedback). هذا النهج مركزي في تصحيح الخطأ الكمومي وتثبيت الحالة. ومع ذلك، يواجه التحكم في التغذية الراجعة الكمومية تحديات فريدة مقارنة بالتحكم الكلاسيكي:

المعلومات الجزئية: بسبب الطبيعة المزعزعة للقياسات الكمومية، تتوفر فقط معلومات جزئية عن الحالة.
الديناميكيات غير الماركوفية (Non-Markovian Dynamics): حتى بالنسبة للأنظمة الكمومية المفتوحة الماركوفية (الموصوفة بمعادلات ليندبلاد)، فإن سجل القياس نفسه هو عملية عشوائية غير ماركوفية لأن تطور الحالة المستقبلي يعتمد على التاريخ الكامل للقياسات الماضية (التأثير الارتدادي/backaction).
محدودية التعلم الآلي الحالي: تعاني الأساليب السابقة للتعلم الآلي، وخاصة تلك التي تستخدم الشبكات العصبية المتكررة (RNNs) و LSTMs، من صعوبة في التعامل مع الاعتمادات الزمنية طويلة المدى. فهي تعاني من مشكلة تلاشي التدرجات وتمتلك انحيازاً استقرائياً ماركوفياً متأصلاً، مما يجعلها غير فعالة في معالجة سجلات القياس الطويلة أو التحكم في الأنظمة غير الماركوفية.
الأعباء الحسابية: طرق التحكم الأمثل التقليدية (مثل حل معادلات ماستر العشوائية (SME) بشكل تكراري) مكلفة حسابياً وبطيئة، مما يعيق التطبيق في الوقت الفعلي.

2. المنهجية

يقترح المؤلفون بنية ترانسفورمر (Transformer) مبتكرة مصممة خصيصاً للتحكم في التغذية الراجعة الكمومية، مستفيدين من "آلية الانتباه" (attention mechanism) لالتقاط الارتباطات طويلة المدى في بيانات القياس.

نظرة عامة على البنية

يستخدم النموذج هيكل مشفر-فك تشفير (Encoder-Decoder) مخصص:

المشفر الكمومي (QuantumEncoder): يأخذ الحالة الكمومية الأولية والتاريخ الكامل لسجل القياس كمدخلات. يستخدم آليات الانتباه الذاتي لدمج هذه البيانات في فضاء كامن عالي الأبعاد، مما يلتقط التبعيات المعقدة بين الظروف الأولية والديناميكيات المرصودة.
فك التشفير الكمومي (QuantumDecoder): يأخذ سجل القياس (مع تضمينات موضعية) ومخرجات المشفر (عبر الانتباه المتقاطع) كمدخلات. يستخدم انتباهاً ذاتياً مقنعاً سببياً (causally masked self-attention) لضمان أن التنبؤات لمعلم التحكم $\lambda_t$ عند الزمن $t$ تعتمد فقط على القياسات الحالية والسابقة، مما يحافظ على السببية.
المخرج: يتنبأ فك التشفير ذاتياً بمعلم التحكم الأمثل $\lambda_t$ (على سبيل المثال، مجال تحكم هاميلتوني) للخطوة الزمنية التالية.

استراتيجيات التدريب

تستعرض الورقة نموذجين متميزين للتدريب:

التعلم الخاضع للإشراف (Supervised Learning):
- توليد البيانات: يستخدم حزمة QuTiP لمحاكاة الأنظمة الكمومية المفتوحة وتوليد مجموعات بيانات من الحالات الأولية، وسجلات القياس، وبروتوكولات التحكم المثلى محلياً ( $\lambda_t$ ) المستمدة باستخدام خوارزمية PaQS (Proportional and Quantum State).
- دالة الخسارة: تقلل من عدم التطابق (infidelity) بين الحالة المتطورة وحالة نقية مستهدفة.
- التطبيق: يُستخدم لتثبيت حالة النظام ذي المستويين (TLS).
التعلم التعزيزي (Reinforcement Learning) - بدون نموذج (Model-Free):
- السيناريو: يُطبق على الأنظمة متعددة الأجسام (سلاسل إيسينج غير التكاملية) حيث لا يوجد مسار "أمثل" خبير للإشراف على التدريب.
- الخوارزمية: يستخدم ترانسفورمر القرار المطوّر تكرارياً (Iteratively Refined Decision Transformer - IR-DT). يتم تدريب النموذج مسبقاً على سلاسل تحكم عشوائية ثم يتم صقله من خلال حلقة خارجية: تنفيذ المسارات، حساب الطاقة النهائية (المكافأة)، ثم ضبط الشبكة لتقليل الطاقة.
- الآلية: يقوم بضبط فك التشفير بناءً على "العائد المتبقي" (return-to-go) (الطاقة المستقبلية المرغوبة)، مما يسمح للنموذج بتعلم نبضات التحكم المثلى دون الحاجة إلى دوال تدرج السياسة أو دوال القيمة الصريحة.

3. المساهمات الرئيسية

أول تطبيق للترانسفورمر في التغذية الراجعة الكمومية: يثبت أن النماذج القائمة على الانتباه يمكن أن تحل محل الشبكات المتكررة (RNNs) بفعالية في التحكم في الحلقة المغلقة الكمومية.
التعامل مع الديناميكيات غير الماركوفية: نجح في التحكم في الأنظمة ذات تأثيرات الذاكرة (غير الماركوفية) من خلال الاستفادة من قدرة الترانسفورمر على معالجة أطوال تسلسل عشوائية دون مشكلة تلاشي التدرجات.
التعلم بنقل المعرفة (Transfer Learning): يوضح أن النموذج المدرب على نظام ماركوفي بسيط يمكن صقله عبر نقل التعلم للتحكم في أنظمة معقدة غير ماركوفية (باستخدام تضمين إحداثي التفاعل) بأقل قدر من البيانات الإضافية.
التحكم في الأنظمة متعددة الأجسام بدون نموذج: يوسع النهج ليشمل الأنظمة الكمومية متعددة الأجسام حيث يكون إيجاد حلول التحكم المثلى مستعصياً حسابياً، باستخدام التعلم التعزيزي لتقريب تحضير الحالة الأرضية.
المتانة: يظل النهج فعالاً تحت ظروف كفاءة قياس غير مثالية ( $\eta < 1$ ) واضطرابات هاميلتونية لم تظهر أثناء التدريب.

4. النتائج

تثبيت النظام ذي المستويين (TLS):
- حقق الترانسفورمر دقة تقترب من الوحدة للحالة التراكبية المستهدفة في وقت قصير.
- المتانة: حافظ على أداء عالٍ حتى مع كفاءة قياس $\eta=0.7$ وعند إدخال حد انحياز ( $\epsilon$ ) أثناء الاختبار لم يكن موجوداً أثناء التدريب.
- السرعة: كان وقت الاستدلال (Inference time) أسرع بـ ~100 مرة (0.23 ثانية مقابل 19.05 ثانية) من خوارزمية PaQS المعدلة، والتي تتطلب تكاملاً عددياً تكرارياً للمعادلة التفاضلية العشوائية في كل خطوة.
التحكم غير الماركوفي:
- في نظام TLS مقترن بمذبذب توافقي (يحاكي بيئة غير ماركوفية)، تفوق الترانسفورمر على كل من RNNs و GRU-RNNs، خاصة في نوافذ السياق الطويلة (أكثر من 2000 خطوة زمنية). تدهور أداء RNNs مع زيادة طول التسلسل بسبب مشاكل التدرج.
تحضير الحالة الأرضية للأنظمة متعددة الأجسام:
- بالنسبة لسلسلة إيسينج مفتوحة بـ $N$ كيوبت (المجال المختلط) ( $N=4, 6, 8$ )، نجح الترانسفورمر في تقليل الطاقة النهائية.
- بالنسبة لـ $N=8$ ، كانت طاقة الحالة الأرضية المتوقعة ضمن 2% من طاقة الحالة الأرضية الحقيقية، مما يثبت القدرة على التوسع للأنظمة الأكبر حيث يستحيل إيجاد الحلول الدقيقة.

5. الأهمية والآفاق المستقبلية

القابلية للتوسع والكفاءة: توفر بنية الترانسفورمر حلاً قابلاً للتوسع للتحكم الكمومي في الوقت الفعلي، متجاوزة العقبات الحسابية للمحللات التقليدية والقيود الذاكرية للشبكات المتكررة.
تعدد الاستخدامات: الإطار قابل للتكيف مع سيناريوهات مختلفة، بما في ذلك تصحيح الخطأ الكمومي، وضبط الأجهزة الكمومية، والتحكم في وجود ضوضاء ملونة.
الآثار على الأجهزة (Hardware): رغم سرعة الاستدلال، تشير الورقة إلى أن البصمة الذاكرية الكبيرة لأوزان الشبكة العصبية قد تشكل عائقاً للنشر على الأجهزة المحسنة (مثل GPUs/FPGAs)، مما يشير إلى الحاجة لضغط النماذج في العمل المستقبلي.
الأثر الأوسع: يجسر هذا العمل الفجوة بين بنيات التعلم العميق المتقدمة (الترانسفورمر) والفيزياء الكمومية، مما يوفر أداة قوية للجيل القادم من التقنيات الكمومية حيث تكون التغذية الراجعة الدقيقة في الوقت الفعلي أمراً بالغ الأهمية.

في الختام، تثبت الورقة أن نماذج الترانسفورمر القائمة على الانتباه تعد بديلاً متفوقاً للشبكات المتكررة في التحكم في التغذية الراجعة الكمومية، حيث توفر قدرة أفضل على التعامل مع الاعتمادات طويلة المدى، واستدلالاً أسرع، والقدرة على معالجة المشكلات المعقدة غير التكاملية متعددة الأجسام من خلال كل من التعلم الخاضع للإشراف والتعلم التعزيزي.