⚛️ quantum physics

Direct entanglement ansatz learning (DEAL) with ZNE on error-prone superconducting qubits

تقدم هذه الورقة طريقة تعلم "المنهج المباشر للتشابك" (DEAL)، وهي طريقة تجمع بين الربط المباشر من المعلمات إلى المنهج وبين استقراء الضجيج الصفري لتحسين معدلات التقارب والنجاح بشكل كبير في حل مشكلات التحسين التوليفي ذات الصعوبة الحسابية (NP-hard) على الأجهزة الكمومية فائقة التوصيل التي تعاني من الضجيج.

المؤلفون الأصليون: Ziqing Guo, Steven Rayan, Wenshuo Hu, Ziwen Pan

نُشر 2026-04-22

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Ziqing Guo, Steven Rayan, Wenshuo Hu, Ziwen Pan

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 متاهة ضخمة ومعقدة للغاية. تريد العثور على أقصر مسار للخروج، لكن المتاهة كبيرة جدًا لدرجة أنها تحتوي على مليارات الطرق المسدودة (النقاط الدنيا المحلية)، والجدران تتغير باستمرار بسبب "الضجيج" (مثل الرياح أو الزلازل التي تهز المبنى).

هذا هو التحدي الذي يواجهه العلماء عند محاولة حل المشكلات الصعبة (مثل اللوجستيات، أو تعبئة شاحنة، أو إيجاد أفضل مسار لسائق توصيل) باستخدام الحواسيب الكمومية.

إليك شرح مبسط للطريقة الجديدة التي قدمتها الورقة البحثية، والتي تسمى DEAL، باستخدام تشبيهات من الحياة اليومية.

1. المشكلة: الحاسوب الكمومي "المزعج" (الذي يعاني من الضجيج)

تخيل الحاسوب الكمومي كروبوت ذكي جدًا ولكنه هش للغاية.

الضجيج: نظرًا لأن الروبوت مبني على شرائح فائقة التوصيل، فإنه يصبح "مضطربًا". الأعطال الكهربائية الصغيرة (التداخل) وفقدان الذاكرة (فقدان الترابط) تجعله يخطئ في التخمين. الأمر يشبه محاولة قراءة كتاب بينما يقوم شخص ما بهز الطاولة والصراخ بأرقام عشوائية في أذنيك.
الطريقة القديمة (QAOA): الطريقة القياسية لحل هذه المتاهات تسمى QAOA. وهي تشبه إرسال مستكشف معصوب العينين إلى المتاهة؛ حيث يخطو خطوة، ثم يتحقق مما إذا كان قد اقترب من المخرج، ثم يعدل مساره. ولكن نظرًا لأن المتاهة ضخمة والمستكشف مهتز، فإنه غالبًا ما يعلق في طريق مسدود صغير أو يتجول بلا هدف.

2. الحل: DEAL (تعلم الربط المباشر - Direct Entanglement Ansatz Learning)

ابتكر المؤلفون استراتيجية جديدة تسمى DEAL. تخيل الأمر كأنك تعطي المستكشف المعصوب العينين خريطة ذكية وسماعة عازلة للضوضاء.

أ. الخريطة الذكية: "التطبيع ذو الأولوية للكيوبت" (QPN)

في الطريقة القديمة، يعامل المستكشف كل جزء من المتاهة بالتساوي.

تشبيه DEAL: تخيل أن المتاهة تحتوي على بعض الممرات التي تعتبر أكثر أهمية من غيرها (ربما تحتوي على أبواب ثقيلة أو أدلة قيمة). تقول DEAL أولاً: "مهلًا، هذا الجزء من المتاهة يهم أكثر بـ 10 مرات من ذلك الجزء".
تقوم بتعيين "درجات أهمية" لأجزاء مختلفة من الحاسوب الكمومي (الكيوبتات). ثم تبني المسار (الدائرة الكمومية) بحيث تحصل الأجزاء الأكثر أهمية على أكبر قدر من الاهتمام فورًا. بدلاً من التجول عشوائيًا، يبدأ المستكشف مباشرة حيث يكمن الحدث. هذا يمنعه من العلوق في طرق مسدودة عديمة الفائدة.

ب. السماعة العازلة للضوضاء: "الاستقراء من الصفر للضجيج" (ZNE)

حتى مع وجود خريطة جيدة، فإن "هز الطاولة" (ضجيج الأجهزة) يفسد النتائج.

تشبيه DEAL: تخيل أنك تحاول سماع صديق يتحدث في مصنع صاخب.
- الطريقة القديمة: تصرخ فقط وتأمل أن تكون قد فهمته.
- طريقة ZNE في DEAL: تطلب من صديقك أن يتحدث بثلاثة مستويات مختلفة من الصوت: همس، صوت طبيعي، وصراخ. تسجل الثلاثة جميعًا. ثم تستخدم الرياضيات لمعرفة: "لو كان ضجيج المصنع صفرًا، فماذا كان سيقول؟"
تقوم DEAL بتشغيل التجربة الكمومية عدة مرات، مع إضافة كميات مختلفة من "الضجيج" (أو قياس كيفية سلوك الضجيج) عن قصد، ثم تستخدم خدعة رياضية ذكية لـ الاستقراء (التنبؤ) بما كانت ستكون عليه الإجابة لو كان الحاسوب هادئًا تمامًا.

3. النتائج: حل الألغاز الواقعية

اختبر الفريق نظام DEAL على ثلاثة ألغاز كلاسيكية "صعبة":

البائع المتجول (Traveling Salesman): إيجاد أقصر طريق لزيارة العديد من المدن.
مشكلة الحقيبة (Knapsack Problem): تعبئة حقيبة ظهر بأكثر العناصر قيمة دون تجاوز حد الوزن المسموح به.
الحد الأقصى للقطع (MaxCut): تقسيم مجموعة من الأشخاص إلى فريقين بحيث يتم فصل أكبر عدد ممكن من الأصدقاء عن بعضهم البعض.

النتيجة:

نجاح أسرع: وجدت DEAL أفضل الحلول في كثير من الأحيان مقارنة بالطريقة القديمة.
استقرار أفضل: حتى عندما كان الحاسوب الكمومي "مهتزًا" (مصحوبًا بالضجيج)، حافظت DEAL على اتساق الإجابات.
أجهزة حقيقية: لم يكتفوا بمحاكاة هذا على حاسوب مثالي؛ بل قاموا بتشغيله على حواسيب كمومية حقيقية ومزعجة من نوع IBM (شرائح "Torino" و"Marrakesh") وظلت تعمل بشكل أفضل.

الصورة الكبيرة

فكر في DEAL كعملية ترقية لنظام تحديد المواقع (GPS).

نظام GPS القديم: "قد بشكل عشوائي حتى تجد المخرج. وإذا اصطدمت بمطب، فقد تضل طريقك".
نظام GPS الخاص بـ DEAL: "أنا أعرف بالضبط أي الطرق هي الطرق السريعة الرئيسية (QPN)، ويمكنني تصفية التشويش في الراديو لأعطيك أوضح التعليمات (ZNE)".

تعد هذه الورقة البحثية خطوة كبيرة للأمام لأنها تظهر أننا لسنا بحاجة لانتظار حواسيب كمومية "مثالية" لحل مشكلات العالم الحقيقي. يمكننا جعل أجهزتنا الحالية غير المثالية تعمل بشكل أفضل بكثير من خلال كوننا أكثر ذكاءً في كيفية برمجتها.

ملخص تقني لورقة بحثية بعنوان: "تعلم نموذج التشابك المباشر (DEAL) باستخدام استقراء التلاشي الصفري (ZNE) على الكيوبتات فائقة التوصيل المعرضة للأخطاء"

1. بيان المشكلة

تواجه خوارزميات التحسين الكمي التوافيقي، ولا سيما خوارزمية التحسين التقريبي الكمي (QAOA)، عقبات كبيرة عند تشغيلها على الأجهزة الكمية ذات النطاق المتوسط المشوب بالضجيج (NISQ). وتتمثل التحديات الرئيسية في:

تضاريس التحسين المعقدة: غالبًا ما تعاني خوارزمية QAOA من "الهضاب القاحلة" (تلاشي التدرج) والعديد من النهايات الصغرى المحلية، مما يجعل الوصول إلى الحد الأدنى العالمي أمرًا صعبًا.
ضجيج الأجهزة: الكيوبتات فائقة التوصيل عرضة للتداخل (crosstalk)، وأخطاء التماسك ( $T_1$ و $T_2$ )، وأخطاء القراءة، مما يؤدي إلى تدهور جودة الحل.
حساسية النموذج (Ansatz): يعتمد أداء QAOA بشكل كبير على تهيئة المعلمات وهيكل الدائرة الكمية (النموذج). وغالبًا ما تفشل التهيئة العشوائية أو الثابتة في التقاط الهياكل الخاصة بالمشكلة بكفاءة.
عدم كفاءة التعيين (Mapping): تتجاهل النهج القياسية غالبًا الاتصال المحدد ومعدلات الخطأ لوحدة المعالجة الكمية (QPU) المستهدفة، مما يؤدي إلى تعيين غير مثالي للكيوبتات وزيادة تراكم الأخطاء.

2. المنهجية: تعلم نموذج التشابك المباشر (DEAL)

يقترح المؤلفون إطار عمل DEAL المصمم لتعزيز خوارزمية QAOA على الأجهزة فائقة التوصيل المشوبة بالضجيج (تحديدًا وحدات معالجة IBM QPUs). تدمج المنهجية ثلاثة مكونات أساسية:

أ. التنميط ذو الأولوية للكيوبت (QPN) والتعيين المباشر
بدلاً من التهيئة العشوائية أو الموحدة للمعلمات، يستمد DEAL المعلمات الأولية مباشرة من بنية المشكلة (مصفوفة QUBO).

تسجيل الأهمية: يقوم بحساب درجة أهمية ( $s_i$ ) لكل كيوبت بناءً على مجموع القيم المطلقة لصف الكيوبت المقابل في مصفوفة QUO ( $Q$ ).
التنميط (Normalization): يتم تنميط هذه الدرجات لإنشاء توزيع احتمالي ( $w_i$ ).
ترميز الزوايا: يتم تهيئة زوايا هاميلتوني الخلط ( $\beta$ $β$ ) وزوايا هاميلتوني التكلفة ( $\gamma$ $γ$ ) باستخدام دوال مثلثية غير خطية لهذه الأوزان:
- $\Phi^\gamma_{k,i} = \lambda_\gamma \cdot \frac{k}{p} \cdot \arccos(1 - 2w_i)$
- $\Phi^\beta_{k,i} = \lambda_\beta \cdot (1 - \frac{k}{p}) \cdot \arcsin(\sqrt{w_i})$
التدرج الديناميكي للطبقات: تركز الطبقات المبكرة على الوحدات التكليفية (قيم $\gamma$ أكبر)، بينما تعطي الطبقات اللاحقة الأولوية للخلط (قيم $\beta$ أكبر)، مما يخلق مقايضة بين الانحياز والتباين لتجنب التشبع عند الحدود (0 أو $\pi$ ).

ب. التعيين الديناميكي للكيوبتات الفيزيائية
يستخدم DEAL استراتيجية تعيين ديناميكية تقوم بفرز الكيوبتات حسب أوزان أهميتها ( $w_i$ ) وتعيينها لطوبولوجيا الـ QPU الفيزيائية لتقليل حاصل ضرب أوزان الحواف والمسافة الفيزيائية/معدلات الخطأ. يستفيد هذا من خوارزمية التخطيط SABRE لاختيار الكيوبتات ذات معدلات الخطأ الأدنى للمتغيرات عالية الأهمية.

ج. استقراء التلاشي الصفري التكيفي (ZNE)
لتخفيف الضجيج دون الحاجة إلى كيوبتات مساعدة أو تصحيح كامل للخطأ:

يستخدم المنهج "تدوير باولي" (Pauli twirling) وتصحيحات "قلب البوابة" (Gate-flip).
التحسين البايزي: على عكس التوافق متعدد الحدود القياسي لـ ZNE، يستخدم DEAL تحديثًا بعديًا بايزيًا (Bayesian posterior update) لصقل معاملات قياس الضجيج ( $\lambda$ ).
قياس الضجيج الموزون: يتم تعريف عامل قياس الضجيج كـ $\lambda_{ij} = w_i \cdot w_j \cdot d_{ij}$ ، حيث $d_{ij}$ هو مسافة الكيوبت. يضمن ذلك حصول الكيوبتات عالية الأهمية على معاملة تفضيلية في تخفيف الخطأ وتوجيه الدائرة.

3. المساهمات الرئيسية

التهيئة المباشرة للمعلمات: يقدم البحث مخطط تهيئة حتمي (QPN) يربط معاملات QUBO مباشرة بمعلمات الدائرة. هذا يقلل من مساحة البحث للمحسنات الكلاسيكية ويخفف من مشكلة الهضاب القاحلة من خلال دمج الانحياز الخاص بالمشكلة.
تخفيف الضجيج الشامل: يسمح دمج ZNE التكيفي مع التعيين الواعي بالمشكلة بإجراء عمليات قابلة للتوسع على الأجهزة المشوبة بالضجيج مع حد أدنى من التكاليف الإضافية، مستهدفًا تحديدًا التداخل وأخطاء التماسك.
تعلم الهاميلتوني الديناميكي: يعامل إطار العمل بناء النموذج (ansatz) كعملية تعلم حيث يتم تعديل معلمات الهاميلتوني ديناميكيًا بناءً على رسم المشكلة البياني وقيود الأجهزة.
مقياس جديد (QNRE): عرّف المؤلفون الخطأ النسبي المحدود بالضجيج الكمي (QNRE) لقياس مدى قرب الطاقة المرصودة من الحالة الأرضية المثلى بالنسبة لأرضية الضجيج.

4. النتائج التجريبية

قيم المؤلفون DEAL على معالجات IBM Torino (133 كيوبت) و Marrakesh (156 كيوبت)، بالإضافة إلى محاكيات عالية الأداء.

معدل النجاح: تفوق DEAL باستمرار على نسخة QAOA التقليدية ("vanilla"). في QPU Torino، حقق DEAL تحسنًا في معدل النجاح بأكثر من 14% في إيجاد طاقات الحالة الأرضية لمشكلات ذات 5 رؤوس عبر 10 طبقات.
التقارب: أظهر DEAL معدلات تقارب أسرع وتفاوتًا أقل في التحسين مقارنة بالتهيئة العشوائية.
تعدد استخدامات المشكلات: تم تطبيق الطريقة بنجاح على ثلاث مشكلات صعبة (NP-hard):
- MaxCut: أظهر تحسنًا في تركيز الاحتمالية على الحلول المثلى.
- مشكلة البائع المتجول (TSP): نجحت في التنقل في تضاريس الطاقة المعقدة.
- مشكلة الحقيبة (Knapsack Problem): أظهرت استكشافًا فعالًا للمساحات الكامنة.
المقاومة للضجيج: بينما تدهورت الأداء بشكل كبير بعد 43-45 بوابة CZ بسبب حدود الأجهزة، حافظ DEAL على استقرار أفضل من QAOA القياسي حتى 7 طبقات. ساعد استخدام بوابات Echoed Cross-Resonance (ECR) في تخفيف أخطاء الطور في الدوائر الأعمق.
تحليل القيم الذاتية: أظهرت المحاكاة العددية أن DEAL يمكنه استخراج طاقات الحالة الأرضية القريبة من المثالية (أدنى القيم الذاتية) لـ TSP و MaxCut و KP، متجنبًا بفعالية النهايات الصغرى المحلية غير الفعالة.

5. الأهمية

يمثل هذا العمل خطوة مهمة نحو التطبيق العملي للتحسين الكمي على الأجهزة الحالية المشوبة بالضجيج.

سد الفجوة: من خلال ربط هياكل المشكلات مباشرة بمعلمات النموذج، يقلل DEAL من الاعتماد على حلقات التحسين الكلاسيكية، والتي غالبًا ما تكون هي العائق في خوارزميات NISQ.
الوعي بالأجهزة: يقر المنهج بأن الكيوبتات ليست متساوية؛ فمن خلال منح الأولوية للكيوبتات منخفضة الخطأ للمتغيرات عالية الأهمية، فإنه يعظم الاستفادة من الأجهزة غير المثالية.
القابلية للتوسع: يوفر الجمع بين التعيين المباشر و ZNE التكيفي مسارًا لحل مشكلات NP-hard أكبر على المعالجات الكمية الحالية دون انتظار التسامح الكامل مع الخطأ.
تحول في النموذج: ينتقل العمل من معاملة QAOA كمحسن "صندوق أسود" عام، ليقترح إطار عمل "تعلم" حيث يرتبط النموذج جوهريًا بالبنية الرياضية للمشكلة والقيود الفيزيائية للأجهزة.

في الختام، يوفر DEAL إطار عمل قويًا ومقاومًا للضجيج لحل مشكلات التحسين التوافيقي، مما يثبت أن تعلم النموذج المخصص وتخفيف الخطأ المتقدم يمكن أن يعزز بشكل كبير أداء الخوارزميات الكمية على الأجهزة فائقة التوصيل الحالية.