Quantum State Preparation with the QNN-based SRBB Algorithm
تقترح هذه الورقة خوارزمية كمومية تباينية جديدة لإعداد الحالة التقريبي تستفيد من شبكة عصبية كمومية مبنية على الجبر الفرعي القطري لتسلسل الهرم القياسي للكتل المتكررة (SRBB) لتقليل عمق الدارة وعدد بوابات CNOT بشكل كبير مع تحقيق دقة عالية في المحاكاة صغيرة النطاق والأجهزة الكمومية الحقيقية.
تعد الحواسيب الكمومية بحل مشكلات قد تستغرق الأجهزة الكلاسيكية آلاف السنين لحلها، لكنها تواجه عقبة جوهرية قبل أن تتمكن حتى من البدء: وهي وضع الآلة في الوضع المبدئي الصحيح. في عالم ميكانيكا الكم، تُخزن المعلومات في حالة الجسيمات الدقيقة، ولتشغيل خوارزمية ما، يجب على الباحثين أولاً إعداد ترتيب محدد ومعقد لهذه الجسيمات. هذه العملية، المعروفة باسم إعداد الحالة الكمومية، تشبه إعداد لغز ضخم ومعقد حيث يجب وضع كل قطعة بدقة متناهية. فإذا كان الترتيب المبدئي غير دقيق ولو بنسبة ضئيلة، فإن الحساب بأكمده يفشل. لسنوات، كافح العلماء لبناء دوائر يمكنها إنشاء هذه الحالات بكفاءة، حيث كانت تتطلب غالباً الكثير من الخطوات والاتصالات لدرجة تجعل العملية بطيئة للغاية وعرضة للأخطاء بحيث لا تكون مفيدة على الأجهزة الحقيقية.
اقترح فريق من الباحثين في جامعة بارما طريقة جديدة لمعالجة هذا التحدي، وهي طريقة تبسط العملية من خلال التركيز على الهندسة الأساسية للمشكلة. فبدلاً من محاولة بناء دائرة يمكنها القيام بكل شيء في وقت واحد، صمموا نظاماً يقسم المهمة إلى جزأين متميزين: ضبط قوة الحالة الكمومية وضبط توقيتها. وقد استخدموا بنية رياضية تسمى "جبر لي" (Lie algebra)، والتي تصف كيفية تدوير وتحويل هذه الحالات الكمومية، لإنشاء أداة متخصصة. هذه الأداة، المبنية على تسلسل هرمي يُعرف باسم "أساس الكتلة التكراري القياسي" (Standard Recursive Block Basis)، سمحت لهم ببناء الدوارات الكمومية اللازمة باستخدام عدد أقل بكثير من الاتصالات مقارنة بالطرق التقليدية. ومن خلال تجريد التعقيد غير الضروري والتركيز فقط على المكونات القطرية للإطار الرياضي، أنشأوا تصميماً أكثر ضحالة ويتطلب عمليات أقل بكثير للتنفيذ.
اختبر الباحثون نهجهم الجديد، الذي يسمحون له باسم "الشبكة العصبية الكمومية"، باستخدام كل من محاكاة حاسوبية قوية وحواسيب كمومية فعلية. وفي المحاكاة، طلبوا من النظام إعداد حالات كمومية متنوعة، تتراوح من الأنماط البسيطة إلى الترتيبات العشوائية المعقدة، باستخدام ما يصل إلى ثمانية كيوبتات (qubits)، وهي الوحدات الأساسية للمعلومات الكمومية. وأظهرت النتائج أنه بالنسبة للأنظمة التي تصل إلى أربعة كيوبتات، كانت الطريقة دقيقة للغاية، حيث أنشأت الحالات المطلوبة بدقة عالية جداً لدرجة أن الخطأ يكاد يكون معدوماً. ومع زيادة عدد الكيوبتات، ظل النظام فعالاً، رغم أن تعقيد المهمة جعل من الصعب الوصول إلى نفس مستوى المثالية. كما قام الفريق بتشغيل الخوارزمية على أجهزة كمومية حقيقية مقدمة من شركات مختلفة، بما في ذلك الآلات التي تستخدم الكيوبتات فائقة التوصيل وتلك التي تستخدم الأيونات المحاصرة. وعلى هذه الأجهزة الفيزيائية، كان أداء النظام جيداً مع اثنين وثلاثة كيوبتات، حيث نجح في إنشاء حالات محددة مثل "حالة بيل" (Bell state) والتراكبات الموحدة. ومع ذلك، مع زيادة عدد الكيوبتات إلى أربعة وخمسة، ارتفدت معدلات الخطأ، وهو تحدٍ شائع في هذا المجال حيث تبدأ الضوضاء والعيوب في الأجهزة في التدخل في الحالات الكمومية الدقيقة.
إن أحد أهم النتائج في هذا العمل هو كيفية تعامل التصميم الجديد مع جانبين مختلفين للحالة الكمومية: مقدارها وطورها (phase). وجد الباحثون أن محاولة تعلم كليهما في وقت واحد جعلت النظام يعاني، لذا قاموا بفصل المهمة. فقد تعلم الجزء الأول من شبكتهم ضبط الاحتمالات الصحيحة لكل نتيجة، بينما تعلم الجزء الثاني ضبط التوقيت، أو الطور، للموجات الكمومية. سمح هذا الفصل للنظام بالتعلم بشكل أكثر فعالية. كما اكتشفوا أنه بينما سمحت النظرية الرياضية بحل مثالي، إلا أن الأجهزة الواقعية فرضت نوعاً معيناً من القيود المتعلقة بالأطوار العالمية (global phases)، وهي إزاحات طفيفة لا تغير نتائج القياس النهائية ولكن يمكن أن تربك عملية التعلم. ورغم هذه العقبات، أثبتت الطريقة أنه من الممكن استخدام نسخة مبسطة، قطرية فقط، من أساس رياضي معقد لإعداد حالات كمومية بعمق وعدد بوابات تنافسي.
تسلط الدراسة الضوء على كل من الإمكانات والحدود الحالية لهذا النهج. فبينما حققت الخوارزمية دقة عالية في المحاكاة للأنظمة الصغيرة، أظهر الأداء على الأجهزة الحقيقية أن التوسع يظل أمراً صعباً. فقد تباينت معدلات الخطأ على الأجهزة الفيزيائية بشكل كبير اعتماداً على الحالة المحددة التي يتم إعدادها؛ حيث تم إنشاء بعض الحالات البسيطة والموحدة بدقة عالية، بينما أدت الحالات الأكثر تعقيداً وتشتتاً إلى أخطاء أعلى بكثير. وأشار الباحثون إلى أن زيادة عدد المرات التي يُطلب فيها من الآلة قياس النتيجة، والمعروفة باسم "الطلقات" (shots)، لم يحسن الأداء بشكل جوهري، مما يشير إلى أن المشكلة تكمن في تصميم الدائرة وضوضاء الأجهزة بدلاً من مجرد عدم اليقين الإحصائي. لا يدعي هذا العمل أنه حل مشكلة إعداد الحالة الكمومية تماماً، ولكنه يقدم مساراً جديداً ومبسطاً. فمن خلال ربط تصميم الدائرة الكمومية مباشرة بالبنية الطوبولوجية لمجموعة التحويلات التي تحتاج للقيام بها، قدم الفريق مخططاً لبناء خوارزميات كمومية أكثر كفاءة يمكنها يوماً ما جعل هذه الآلات القوية أكثر عملية للتطبيقات الواقعية.
ملخص تقني: تحضير الحالة الكمومية باستخدام خوارزمية SRBB القائمة على الشبكات العصبية الكمومية (QNN)
بيان المشكلة يعد تحضير الحالة الكمومية (QSP) إجراءً فرعيًا أساسيًا في العديد من الخوارزميات الكمومية، بما في ذلك تعلم الآلة الكمومي (QML)، وحلالات المعادلات الخطية، ومحاكاة هاميلتونيان. الهدف هو بناء مؤثر وحدوي U بحيث يكون U∣0⟩⊗n=∣ψ⟩، حيث ∣ψ⟩ هي حالة كمومية مكونة من n كيوبت مرغوبة. وبينما توجد خوارزميات دقيقة لـ QSP (على سبيل المثال، باستخدام الدورات المتحكم بها موحدًا - Uniformly Controlled Rotations)، إلا أنها غالبًا ما تعاني من عمق عدد البوابات وعددها الأسي (O(2n))، مما يجعلها غير مجدية للأجهزة المتاحة حاليًا. علاوة على ذلك، تعتمد العديد من الأساليب الحالية على الكيوبتات المساعدة (ancillary qubits) لتحقيق مقايضات أفضل بين المساحة والزمن، مما يزيد من المتطلبات العتادية. يكمكن التحدي في تطوير طريقة تقريبية لـ QSP تقلل الموارد (تحديدًا عدد بوابات CNOT وعمق الدائرة) مع الحفاظ على دقة عالية، دون الاعتماد على الكيوبتات المساعدة.
المنهجية يقترح المؤلفون خوارزمية كمومية متغيرية مبتكرة مبنية على الأساس المتكرر للكتل القياسية (SRBB)، وهو بناء هرمي للجبر المصفوفي لمجموعة SU(2n). وتستفيد المنهجية من الخصائص الطوبولوجية والجبرية لزمر Lie لتصميم دائرة كمومية متغيرية (VQC).
الإطار النظري (SRBB وجبر Lie):
ترتكز الخوارضة على تفكيك المجموعة الوحدوية U(2n) إلى حاصل ضرب محلي لـ U(1) و SU(2n). يوفر SRBB أساسًا متكررًا لجبر Lie su(2n).
من المهم أن المؤلفين قيدوا النموذج المتغير (variational ansatz) على الجبر الجزئي القطري (عامل Z) الخاص بـ SRBB. وبينما يتضمن SRBB الكامل مكونات غير قطرية (Ψ و Φ) ضرورية لتوليف الوحدة العام، فإن المكون القطري وحده كافٍ لتمثيل المصفوفات الوحدوية القطرية.
من خلال استخدام المتطابقة Ry(γ)=SH⋅Rz(γ)⋅HS†، قام المؤلفون بنقل هيكل "السلم" التقليدي لـ QSP (المكون من بوابات متحكم بها موحدًا أو UCGs) إلى دائرة تتكون بالكامل من بوابات S و H و Rz. وهذا يسمح لـ Z-factor الخاص بـ SRBB القطري بتقريب مقادير سعات الحالة المستهدفة، بينما تتعامل كتلة منفصلة مع الأطوار (phases).
بنية الخوارزمية:
تعمل الشبكة العصبية الكمومية (QNN) المقترحة في مرحلتين تدريبيتين متميزتين لتجنب صراعات التحسين:
تعلم المقدار (Modulus Learning): الجزء الأول من الدائرة يقرب السعات الحقيقية (المقادير) للحالة المستهدفة باستخدام عامل Z القطري لـ SRBB.
تعلم الطور (Phase Learning): الجزء الثاني يقرب الأطوار المركبة للحالة المستهدفة.
تم تحسين عمق الدائرة من خلال استغلال الهيكل المتكرر لـ Z-factor الخاص بـ SRBB، والذي يستخدم نمط كود غراي (Gray Code) لتقليل بوابات CNOT. ويصبح عمق الدائرة الناتج D(n)≈6⋅2n−n2/2+7n/2−3، وهو منافس للحدود المثلى تقاربيًا التي حققتها طرق أخرى ولكن بدون كيوبتات مساعدة.
التحسين ودوال الخسارة:
تم اختبار الخوارزمية باستخدام مُحسِّنين اثنين: Adam (المستخدم مع دوال خسارة Fidelity و Trace Distance) و Nelder-Mead (المستخدم مع Frobenius Norm).
يعمل التحسين على تقليل المسافة بين الحالة التي تنتجها الـ VQC والحالة المستهدفة (أو المصفوفة الوحدوية المثالية).
المساهمات الرئيسية يقدم البحث أربع مساهمات رئيسية:
تقليل العمق: قامت بتنفيذ هيكل سلم QSP التقليدي باستخدام الجبر الجزئي القطري لـ SRBB المحسن لـ CNOT فقط. هذا يقلل من عمق الدائرة وعدد بوابات CNOT بعامل أسي مقارنة باستخدام الجبر الكامل، مما يقترب من الحدود المثلى تقاربيًا دون كيوبتات مساعدة.
تقييم شامل: تم تقييم الأداء عبر حالات عشوائية، وحالات متفرقة (sparse)، وتوزيعات احتمالية منتظمة لأنظمة تتراوح من 2 إلى 8 كيوبت في المحاكاة.
التحقق من الأجهزة الحقيقية: تم اختبار الخوارزمية على أجهزة كمومية حقيقية (IQM Deneb، IQM Garnet، Rigetti Ankaa-3، و IonQ Forte1) لتقييم الأداء في البيئات الصاخبة.
النتائج
المحاكاة:
حتى 4 كيوبت، تحقق الخوارزمية دقة عالية مع أخطاء تتراوح بين 10−13 و 10−15 باستخدام مُحسِّن Nelder-Mead.
يُظهر مُحسِّن Adam أوقات تدريب أطول لعدد الكيوبتات الصغير، لكنه لا يتوسع أسيًا في الوقت، محافظًا على دقة عالية حتى 4 كيوبت.
يتدهور الأداء مع زيادة عدد الكيوبتات عن 4؛ فبالنسبة لـ 8 كيوبت، ترتفع الأخطاء إلى حوالي 10−3.
نجحت الشبكة في إعادة إنتاج حالات محددة مثل حالات Bell و GHZ بدقة عالية في المحاكاة.
الأجهزة الحقيقية:
على الأجهزة الحقيقية (2–5 كيوبت)، تحقق الخوارزمية نتائج جيدة لأعداد الكيوبتات الصغيرة، رغم أن الأداء يختلف بشكل كبير بناءً على الحالة المستهدفة.
لحالات محددة مثل التراكبات المنتظمة وحالات Bell، تكون مسافة هيلينجر (Hellinger distance) منخفضة نسبيًا (مثلاً ∼0.01 إلى $0.12$ لـ 2 كيوبت).
للحالات المتفرقة أو التوزيعات الأكثر تعقيدًا، تزدير الخطأ بشكل كبير (مثلاً مسافة هيلينجر ∼0.74 لحالة متفرقة مكونة من 4 كيوبت على IQM Deneb).
لم يؤدِ زيادة عدد الطلبات (shots) (من 1024 إلى 8192) على أجهزة Rigetti إلى تحسينات ملموسة في الأداء، مما يشير إلى أن الضوضاء وعمق الدائرة هما العاملان المحددان وليس ضجيج الطلبات (shot noise).
الأهمية والادعاءات يزعم المؤلفون أن هذا العمل يوفر مخططًا جديدًا لتحضير الحالة الكمومية التقريبية ضمن إطار متغير يربط صراحة بين المعلمات المتغيرة وهندسة الزمر الوحدوية. تكمن الأهمية الأساسية في القدرة على تقليل موارد الدائرة (CNOTs والعمق) من خلال استغلال الجبر الجزئي القطري لـ SRBB، وبالتالي الالتزام بـ "مبدأ الاسترخاء" لتقليل الموارد مع الحفاظ على الدقة.
يقر البحث بتواضع بالقيود الحالية:
القابلية للتوسع: تواجه الخوارزمية تحديات مع زيادة عدد الكيوبتات، حيث يعاني المُحسِّن من صعوبة في التقارب الفعال، ويرجع ذلك على الأرجه إلى تعقيد المشهد البارامتري (احتمالية وجود الهضاب العقم - Barren Plateaus).
ضوضاء الأجهزة: على الأجهزة الحقيقية، الخطأ ليس ثابتًا بل يتفاوت بشكل كبير اعتمادًا على الحالة الكمومية المستهدفة، مما يشير إلى الحساسية تجاه الضوضاء وتعقيد الحالة.
العمل المستقبلي: يقترح المؤلفون أن الأبحاث المستقبلية يجب أن تقارن هذا الإطار مع خوارزميات QSP الراسخة وتقنيات الترميز (مثل ترميز السعة - Amplitude Encoding)، وتحسين بوابات الدوران بشكل أكبر، وتحليل مشهد التحسين للتخفيف من مشكلات التقارب في الأنظمة الأكبر.
لا يدعي العمل حل مشكلة QSP للأنظمة الضخمة لأي نطاق واسع فورًا، ولكنه يثبت نهجًا قابلًا للتطبيق وفعالًا في الموارد لعدد متوسط إلى صغير من الكيوبتات يربط بين نظرية جبر Lie والدوائر الكمومية المتغيرة العملية.