Statistical Signal Processing for Quantum Error Mitigation
تقترح هذه الورقة إطار عمل لمعالجة الإشارات الإحصائية لتخفيف الأخطاء الكمومية يجمع بين مرحلة ترشيح لإزالة ضوضاء إزالة الاستقطاب وخوارزمية توقع تعظيم للاشتقاق تقديرات الاحتمال الأقصى للمخرجات الخالية من الضوضاء، مما يثبت فعاليتها وقابليتها للتوسع على كل من البيانات المحاكات والبيانات الاصطناعية في عصر الحوسبة الكمومية ذات القياس المتوسط (NISQ).
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
في العصر الحالي للحوسبة الكمومية، تُعد الآلات قوية ولكنها غير مثالية. فهي تعمل في مرحلة تُعرف باسم عصر "الكم المتوسط النطاق المشوب بالضجيج"، حيث تكون هذه الأجهزة كبيرة بما يكفي لمحاولة إجراء حسابات معقدة، ولكنها صغيرة بما يكفي بحيث لا يمكنها بعد تصحيح أخطائها ذاتيًا بشكل كامل. ويتمثل التحدي الجوهري في أن هذه الآلات حساسة للغاية لبيئتها؛ فعندما تعمل دائرة كمومية، يمكن للمعلومات الدقيقة التي تحملها أن تتشتت بسهولة بفعل التداخل العشوائي، تمامًا مثل همسة تضيع في غرفة مزدحمة. وللحصول على نتائج مفيدة، يجب على العلماء استخدام تقنية تسمى "تخفيف الخطأ الكمومي". لا يتعلق الأمر بإصلاح الآلة نفسها، بل باستخدام الحواسيب الكلاسيكية لتنظيف البيانات الفوضوية بعد انتهاء عمل الآلة الكمومية. والهدف هو النظر إلى المخرجات الضوضائية والمشوهة ومعرفة ما كان ينبغي أن تكون عليه الإجابة الصحيحة والنظيفة.
لقد طور فريق من الباحثين في جامعة ولاية نورث كارولاينا ومعهد إنسيتيوتو سوبريور تيك طريقة جديدة لأداء عملية التنظيف هذه، من خلال التعامل مع المشكلة كمهمة معالجة إشارات إحصائية. وبدلاً من محاولة التنبؤ بكيفية فشل الآلة، بنوا نموذجًا يفترض أن الضجيج يتصرف بطريقتين محددتين. أولاً، يفترضون أن الدوائر العميقة غالبًا ما تنتج نتائج تبدو مثل التشويش العشوائي، حيث تظهر كل إجابة ممكنة باحتمالية متساوية. ثانًا، يأخذون في الاعتبار الأخطاء البسيطة حيث تنقلب بت واحدة من المعلومات من صفر إلى واحد أو العكس أثناء عملية القراءة. ومن خلال الفصل بين هذين النوعين من الأخطاء، ابتكر الباحثون طريقة مكونة من خطوتين لاستعادة الإشارة الحقيقية.
تعمل الخطوة الأولى من طريقتهم كمرشح (فلتر). تخيل غرفة مليئة بالناس يصرخون بإجابات على سؤال ما؛ إذا كان معظم الصراخ مجرد ضجيج عشوائي، فمن المستحيل سماع الإجابات الحقيقية. تقوم خوارزمية الباحثين بمسح آلاف القياسات التي اتخذتها الآلة الكمومية وتحدد الأنماط التي تبدو مثل هذا التشويش العشوائي. ثم تستبعد تلك القياسات غير المفيدة، تاركة وراءها فقط البيانات التي تحمل لمحة من البنية. هذه العملية تجرد البيانات من الضجيج الخلفي الطاغي، مما يجعل البيانات المتبقية أسهل بكثير في التحليل.
بمجرد إزالة الضجيج العشوائي، يطبق الفريق خطوة ثانية باستخدام تقنية رياضية تُعرف باسم "توقع التعظيم" (expectation-maximization). وهي عملية تكرارية يقوم فيها الحاسوب بتقديم تخمين مدروس حول الإجابات الصحيحة، ثم يتحقق من مدى ملاءمة هذا التخمين للبيانات المتبقية، ومن ثم يقوم بتحسين التخمين. ويكرر هذه الدورة مرارًا وتكرارًا، ليقترب ببطء من الحلول الحقيقية الأكثر احتمالية. وعلى عكس بعض الطرق الأخرى التي تفترض وجود إجابة واحدة صحيحة فقط، فقد صُمم هذا النهج للتعامل مع الحالات التي قد يكون فيها للخوارزمية الكمومية عدة نتائج صالحة. كما أنه لا يحتاج إلى معرفة عدد الإجابات الصحيحة مسبقًا؛ بل يستنتج ذلك كجزء من العملية.
اختبر الباحثون هذا النهج باستخدام عمليات المحاكاة وبيانات حقيقية من معالج كمومي من IBM. وقد أجروا تجارب على أنظمة تضم ما يصل إلى أربعة عشر كيوبت (qubit)، وهي الوحدات الأساسية للمعلومات الكمومية. وفي هذه الاختبارات، أثبتت الطريقة فعاليتها العالية، حيث استعادت الإجابات الصحيحة بأخطاء قليلة جدًا. وعند مقارنتها بالتقنيات الإحصائية الموجودة الأخرى لتنظيف البيانات الكمومية، كان أداؤهم أفضل، حيث حققوا دقة تقترب من المثالية في حالات عديدة. كما اختبر الفريق حدود نهجهم من خلال إنشاء بيانات اصطناعية لنظام أكبر بكثير يضم 128 كيوبت. وحتى في هذه البيئة المحاكاتية ذات الضجيج الكثيف، نجحت الخوارزمية في تحديد الحلول الصحيحة، مما يشير إلى أن الطريقة يمكن أن تتوسع لتناسب الآلات الأكبر في المستقبل.
يسلط البحث الضوء على أن مفتاح النجاح كان الطريقة المحددة التي تم بها نمذجة الضجيج. فمن خلال الإقرار بأن الدوائر العميقة غالبًا ما تنتج توزيعًا عشوائيًا موحدًا للأخطاء، تمكن الباحثون من تصفية أسوأ أنواع التداخل قبل محاولة حل اللغز. وقد وجدوا أنه مع وجود قياسات كافية، يمكن للخوارزمية تحديد عدد الحلول الصحيحة وتحديدها بدقة عالية. ومع ذلك، يوضح الباحثون بحذر أن عملهم ليس حلاً نهائيًا لجميع المشكلات الكمومية. فطريقتهم تفترض أن الأخطاء متماثلة، ولا تأخذ في الاعتبار بعد التفاعلات الأكثر تعقيدًا بين الكيوبتات التي تحدث في الأجهزة الحقيقية. بالإضافة إلى ذلك، يعتمد التنفيذ الحالي على نوع محدد من نماذج الضجيج التي تعمل جيدًا مع دوائر معينة ولكنها قد تحتاج إلى تعديل لدوائر أخرى.
على الرغم من هذه القيود، تقدم النتائج مسارًا واعدًا للمضي قدمًا. لقد أثبت الفريق أنه من خلال تطبيق مبادئ معالجة الإشارات الكلاسيكية على البيانات الكمومية، من الممكن استخراج معلومات موثوقة من الآلات شديدة الضجيج. ويشير عملهم إلى أننا لسنا بحاجة بالضرورة إلى انتظار حواسيب كمومية مثالية ومقاومة للأخطاء للحصول على نتائج مفيدة. بدلاً من ذلك، مع الأدوات الإحصائية المناسبة، يمكننا جعل الآلات الضوضائية التي نمتلكها اليوم أكثر قدرة. وتشير النتائج إلى أن الأساليب الإحصائية المنهجية يمكن أن توفر حلولاً قابلة للتوسع وقابلة للتفسير لتخفيف الخطأ، مما يقدم وسيلة عملية لتحسين موثوقية الحوسبة الكمومية في المدى القريب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.