Optimizing continuous-time quantum error correction for Markovian and non-Markovian noise models
تقدم هذه الورقة بروتوكولاً للتعلم الآلي يعمل على تحسين كل من فضاء الشفرة وخريطة الاسترداد في آن واحد لتصحيح الخطأ الكمي في الزمن المستمر، مما يتيح اكتشاف استراتيجيات مخصصة لتعظيم الدقة المنطقية ضد الضجيج الماركوفي وغير الماركوفي التعسفي.
المؤلفون الأصليون:Anirudh Lanka, Shashank Hegde, Todd A. Brun
تعد الحواسيب الكمومية بحل مشكلات قد تستغرق أجهزتنا الحالية آلاف السنين لفك شفرتها، لكنها تواجه عقبة جوهرية: فهي هشة للغاية. فالمعلومات التي تحفظها تُخزن في حالات كمومية دقيقة تنهار أو تتشوه عند تفاعلها مع بيئتها، وهي عملية تُعرف باسم "فقدان الترابط" (decoherence). ولحماية هذه المعلومات، يستخدم العلماء تقنية تسمى "تصحيح الخطأ الكمومي"، والتي تعمل من خلال توزيع قطعة واحدة من البيانات عبر جزيئات فيزيائية متعددة. وتسمح هذه الوفرة للنظام باكتشاف الأخطاء وإصلاحها دون النظر مباشرة إلى البيانات نفسها، وهو ما قد يؤدي إلى تدميرها. ولعقود من الزمن، اعتمد الباحثون على عائلة محددة من الأكواد، تُعرف باسم "أكواد المثبت" (stabilizer codes)، وهي سهلة الوصف وتعمل بشكل جيد ضد الضوضاء العشوائية البسيطة. ومع ذلك، فإن الأجهزة الكمومية في العالم الحقيقي غالباً ما تعاني من أخطاء معقدة ومرتبطة ببعضها البعض لا تسلك سلوكاً عشوائياً، ويمكن لهذه الأكواد القياسية أن تجد صعوبة في مواكبتها.
لقد طور فريق من الباحثين في جامعة جنوب كاليفورنيا طريقة جديدة لتصميم أكواد تصحيح الأخطاء المصممة خصيصاً لتناسب نوع الضوضاء الذي يؤثر على الجهاز. وبدلاً من استخدام نهج واحد يناسب الجميع، استخدموا الذكاء الاصطناعي لتحديد أفضل طريقة لتخزين المعلومات وأفضل طريقة لإصلاحها مع وقوع الأخطاء في آن واحد. ويركز عملهم على إطار زمني مستمر، حيث يتم مراقبة النظام باستمرار ودفعُه بلطف للعودة إلى وضعه الصحيح، بدلاً من الانتظار حتى تتراكم الأخطاء ثم إصلاحها في خطوات منفصلة. ومن خلال تدريب شبكة عصبية لتحسين كل من نمط التخزين واستراتيجية الاسترداد في وقت واحد، اكتشف الفريق أنه يمكنهم التفوق بشكل كبير على الطرق القياسية في العديد من السيناريوهات، لا سيما عندما تكون الضوضاء معقدة أو مرتبطة عبر الزمن.
يكمن جوهر اكتشافهم في الإدراك بأن الطريقة التي تخزن بها المعلومات والطريقة التي تصلح بها هي مرتبطة بعمق. ففي النهج التقليدي، يختار العلماء غالباً كوداً قياسياً أولاً ثم يحاولون إيجاد أفضل طريقة لتصحيح الأخطاء لهذا الكود المحدد. وقد وجد الباحثون أن هذا يشبه محاولة وضع وتد مربع في ثقب مستدير؛ فإذا لم يكن الكود مصمماً ليتناسب مع الشكل المحدد للضوضاء، فلن ينفع أي إصلاح ذكي في إنقاذ البيانات. وفي عمليات المحاكاة التي أجروها، أظهروا أنه عندما قاموا بتحسين الكود وطريقة الاسترداد معاً، كان أداء النظام أفضل بكثير. فعلى سبيل المثال، عند التعامل مع نوع معين من الضوضاء حيث تبدو الأخطاء المختلفة متشابهة بالنسبة لكاشف قياسي، فإن الكود الثابت يخلق حالة من الارتباك لا يمكن لأي تصحيح حلها. ومع ذلك، من خلال تغيير الكود نفسه لجعل تلك الأخطاء قابلة للتمييز، ثم تعديل طريقة الاسترداد لتتناسب مع الكود الجديد، استطاع النظام حماية المعلومات بنجاح.
اختبر الباحثون طريقتهم ضد مجموعة متنوعة من سيناريوهات الضوضاء الصعبة، بما في ذلك الأخطاء التي تتسرب خارج النظام المقصود، والأخطاء التي تؤثر على جزيئات متعددة في وقت واحد، والضوضاء التي تتغير ببطء بمرور الوقت بدلاً من كونها عشوائية. وفي معظم الحالات، تفوقت الأكواد واستراتيجيات الاسترداد التي صممها الذكاء الاصطناعي على أفضل الأكواد القياسية المعروفة، رغم أنه بالنسبة لضوضاء قلب البتات (bit-flip) المتماثلة البسيطة، كان أداء الكود الذي اكتشفه الذكاء الاصطناعي مساوياً للحل القياسي. وهناك مثال لافت للنظر تضمن نظاماً لم تكن فيه الضوضاء عشوائية بل كانت ذات طبيعة مترابطة ومستمرة. وتواجه الطرق القياسية صعوبة في ذلك لأنها تفترض أن الأخطاء تحدث بشكل مستقل. أما النهج الجديد، فمن خلال المراقبة المستمرة للنظام وتطبيق تصحيحات لطيفة، نجح بفعالية في كبح هذه الأخطاء المترابطة، مما حافظ على استقرار الحالة الكمومية لفترة أطول بكثير. كما أظهر الفريق أنه عندما طبقوا كوداً وطريقة استرداد تم تحسينهما لنموذج ضوضاء واحد على نموذج ضوضاء آخر مشابه وغير مدرب، ظل الأداء قوياً، مما يشير إلى أن الطريقة تلتقط الفيزياء الأساسية للمشكلة بدلاً من مجرد حفظ مجموعة محددة من الأرقام.
ما يجعل هذا النهج قوياً بشكل خاص هو مرونته. فالشبكة العصبية لا تفترض أن الضوضاء تتبع نمطاً بسيطاً؛ بل يمكنها التعامل مع أي نوع من الأخطاء، سواء كانت عشوائية، أو مترابطة، أو حتى تلك التي تتسرب تماماً من الحيز الحسابي. ووجد الباحثون أنه بالنسبة لبعض نماذج الضوضاء المعقدة، كان الكود الأمثل الذي اكتشفه الذكاء الاصطناعي مختلفاً تماماً عن الأكود القياسية المستخدمة في الكتب المدرسية. وهذا يشير إلى أنه بالنسبة للجيل القادم من الحواسيب الكمومية، والتي ستعمل على الأرجح في بيئات صاخبة، فإن الحماية الأفضل لن تأتي من قواعد جامدة ومحددة مسبقاً، بل من استراتيجيات تكيفية تتطور مع الجهاز المحدد. ويوفر عمل الفريق مخططاً لكيفية بناء هذه الأنظمة التكيفية، باستخدام المراقبة المستمرة والتغذية الراجعة في الوقت الفعلي للحفاظ على سلامة المعلومات الكمومية.
وعلى الرغم من أن النتائج تعتمد حالياً على عمليات محاكاة حاسوبية، إلا أن الطريقة مصممة للتنفيذ على أجهزة حقيقية. وتتضمن استراتيجيات الاسترداد التي وجدها الذكاء الاصطناعي قياسات مستمرة وحلقات تغذية راجعة لطيفة، وهي أمور يمكن تحقيقها فيزيائياً باستخدام التكنولوجيا الحالية. ويقر الباحثون بأنه مع زيادة حجم النظام الكمومي، تزداد التكلفة الحسابية لتدريب الذكاء الاصطناعي، لكنهم يعتقدون أن هذا النهج هو الأكثر قيمة لتحديد أفضل الأكود للأجهزة المحددة في العالم الحقيقي. ومن خلال تخصيص تصحيح الخطأ لعيوب الجهاز الفريدة، بدلاً من إجبار الجهاز على التوافق مع كود عام، توفر هذه الطة مساراً نحو حواسيب كمومية أكثر موثوقية وقوة. وتخلص الدراسة إلى أن مستقبل تصحيح الخطأ الكمومي يكمن في هذا التحسين المشترك، حيث يعمل الكود والتصحيح كزوج واحد متطابق لهزيمة التحديات المحددة للبيئة المحيطة.
ملخص تقني: تحسين تصحيح الخطأ الكمي في الزمن المستمر لنماذج الضجيج الماركوفية وغير الماركوفية
بيان المشكلة تعد الأنظمة الكمية عرضة بطبيعتها لفك الترابط البيئي. وبينما تعتمد أكواد تصحيح الخطأ الكمي (QEC) القياسية عادةً على أكواد الموازن (stabilizer codes) المصممة لأخطاء "باولي" المستقلة والمثالية، فإن الضجيج الفيزيائي غالباً ما يُظهر ديناميكيات معقدة، بما في ذلك السلوك غير الماركوفي، والارتباطات المكانية والزمانية، والتسرب خارج الفضاء الحسابي، وأخطاء غير تابعة لـ "باولي". في مثل هذه الأنماط، قد تكون أكواد الموازن القياسية دون المستوى الأمثل. علاوة على ذلك، يفرض تنفيذ تصحيح الخطأ الكمي في الزمن المستمر (CT-QEC) تحديات فريدة: فخلافاً لتصحيح الخطأ الكمي المتقطع، حيث غالباً ما تعطي النسخ الضعيفة والقوية من القياسات أداءً متكافئاً، فإن اختيار قاعدة القياس وعوامل التصحيح الضعيفة في CT-QEC يؤثر بشكل كبير على الدقة المنطقية. كما أن تقنيات التحسين الحالية غالباً ما تعامل فضاء الكود وقناة الاستعادة كمتغيرات منفصلة، حيث يتم التحسين بالتبادل بينهما. ومع ذلك، فإن الأداء المنطقي هو خاصية جوهرية لزوج (الكود–الاستعادة) المتوافق؛ إذ إن تحسين أحد المكونين مع تثبيت الآخر قد يفشل في تحديد الحد الأقصى العالمي بسبب القيود المقترنة وتصادم المتلازمات (syndrome collisions).
المنهجية يقترح المؤلفون بروتوكولاً يستخدم الشبكات العصبية لتحسين كل من فضاء كود تصحيح الخطأ الكمي وما يقابله من قناة استعادة ضعيفة بشكل متزامن ضمن إطار عمل CT-QEC. صُمم هذا النهج للتعامل مع أي خرائط ضجيج كاملة الموجب والحفاظ على الأثر (CPTP)، بما في ذلك تلك ذات الارتباطات الزمانية والمكانية.
بنية الشبكة العصبية:
تمثيل فضاء الكود: يتم تمثيل فضاء الكود C (فضاء فرعي ذو بُعد 2k من فضاء هيلبرت ذي بُعد 2n) بواسطة مصفوفة تماثل (isometry matrix) UC. وبما أن مجموعة الفضاءات الفرعية تشكل ماني فولد غراسماني (Grassmannian manifold) غير محدب، فإن تحسين UC يستخدم الاشتقاق التدرجي الريماني (Riemannian gradient descent). يتضمن ذلك إسقاط التدرج الإقليدي على الفضاء المماسي للماني فلد، وإعادة النقطة المحدثة إلى الماني فلد عبر التفكك القطبي (polar decomposition) أو تقريب الخط المستقيم متبوعاً بعملية استرداد (retraction) للحفاظ على قيود التعامد.
توصيف قناة الاستعادة: يتم توصيف قناة الاستعادة الضعيفة بواسطة شبكة إدراك متعددة الطبقات (MLP) مكونة من ست طبقات مخفية. تقوم الشبكة برسم خرائط لتمثيل فضاء الكود إلى مجموعة من المصفوفات المعقدة، والتي تُحول بعد ذلك عبر دالة غير خطية إلى مجموعة صالحة من مؤثرات كراوس (Kraus operators) التي تُعرف خريطة CPTP. وبما أن مجموعة خرائط CPTP هي محدبة، يتم تطبيق الاشتقاق التدرجي القياسي على هذه المعلمات.
التحسين المشترك: يتم تحديث كل من معلمات فضاء الكود وأوزان قناة الاستعادة في آن واحد ضمن خطوة انتشار خلفي واحدة. وهذا يتناقض مع طرق التحسين التبادلي، مما يسمح للنظام بإيجاد زوج متوافق حيث يتكيف كل من هندسة الكود واستراتيجية الاستعادة مع الآخر.
دوال التكلفة:
الضجيج الماركوفي: الهدف هو تقليل عدم الدقة المنطقية (logical infidelity) بين الحالة المتشابكة كلياً القصوى (الكيوبت المنطقي + المرجع) والحالة بعد فاصل زمني قصير δt، بعد تطبيق خريطة استعادة قوية. هذا يمنع الحل البديهي المتمثل في خريطة المحايدة (identity map) ويركز على تصحيح الأخطاء التي قد تسبب تلاشي الدقة.
الضجيج غير الماركوفي: بالنسبة للضجيج المرتبط زمنياً، تعمل دالة التكلفة على تقليل متوسط عدم الدقة عبر مجموعة من مسارات الضجيج والاستعادة.
التفسير الفيزيائي: يتم تفكيك قنوات الاستعادة الضعيفة المُحسّنة إلى قياسات ضعيفة (POVMs) متبوعة بتصحيحات وحدوية ضعيفة. وهذا يتوافق مع "التحلل المنتشر" (diffusive unraveling)، وهو أمر قابل للتنفيذ فيزيائياً عبر قياسات مستمرة من نوع "هوموداين" (homodyne-type) وهاميلتونيات تغذية راجعة ماركوفية تعتمد على التيار من نوع "ويزمان-ميلبيرن" (Wiseman–Milburn type).
المساهمات والنتائج الرئيسية يُظهر البحث فعالية نهج التحسين المشترك هذا عبر عدة نماذج ضجيج، مقارناً إياها بأكواد الموازن القياسية ومخططات الاستعادة التكيفية ذات الكود الثابت:
ضجيج قلب البت الماركوفي (Bit-Flip): بالنسبة لثلاثة كيوبتات تحت ضجيج قلب بت منتظم، أعادت الشبكة العصبية اكتشاف كود [[3, 1, 3]] القياسي، مما يوفر دليلاً تجريبياً على مثاليته لهذا النوع من الضجيج المتماثل.
تخميد السعة وتذبذب الطور المترابط: في نظام مكون من خمسة كيوبتات يشفر كيوبتاً منطقياً واحداً، يعاني كود [[5, 1, 3]] القياسي من "تصادم المتلازمات" حيث تؤدي أخطاء مختلفة (مثل Y1 و Z3Z4) إلى نفس المتلازمة ولكنها تتطلب تصحيحات منطقية مختلفة.
النتيجة: أدى تكييف الاستعادة لكود [[5, 1, 3]] ثابت إلى تحسين الأداء مقارنة بالاستعادة القياسية. ومع ذلك، حقق زوج (الكود–الاستعادة) المُحسّن مشتركاً أدنى مستوى من عدم الدقة المنطقية. يشير هذا إلى أن تغيير هندسة فضاء الكود يمكن أن يجعل الفضاءات الناجمة عن الضجيج أكثر قابلية للتمييز، وهي فائدة لا يمكن تحقيقها بتحسين الاستعادة وحدها.
أخطاء التسرب (Leakage Errors): بالنسبة لنظام كيوبتين يعاني من تسرب خارج الفضاء الحسابي، نجح نهج التعلم الآلي في التخفيف من أخطاء التسرب، متفوقاً بشكل كبير على الكيوبتات الفيزيائية غير المشفرة.
أنظمة الكيوترت (Qutrit): نجحت الطريقة في تشفير كيوبت منطقي في اثنين من الكيوترتات الفيزيائية، مما أظهر مرونة تتجاوز الأنظمة القائمة على الكيوبت فقط.
تخفيف الضجيج غير الماركوفي:
ضجيج 1/f: بالنسبة لـ 4 كيوبتات تخضع لدورات هاميلتونية مستمرة من نوع 1/f، وجدت الشبكة العصبية كوداً واستعادة مصممة خصيصاً لهذا الضجيج، تفوقت بشكل كبير على الكيوبت المجرد وكود "باكون-شور" المكون من 4 كيوبتات.
أخطاء الهاميلتوني الثابت: الزوج المُحسّن، الذي تم تدريبه على ضجيج 1/f، تعمم أيضاً بشكل جيد على أخطاء الهاميلتوني الثابت (وهو نموذج أكثر عدم ماركوفية)، متفوقاً على كود [[4, 1, 1, 2]]. يشير هذا إلى أن الطريقة لا تعاني من "الفرط في التخصيص" (overfitting) لمعلمات ضجيج محددة، بل تلتقط السمات الهيكلية العامة للضجيج.
الأهمية والادعاءات تزعم الورقة أن الأداء المنطقي لمخطط تصحيح الخطأ الكمي هو في الأساس خاصية لـ الزوج المتوافق (كود–استعادة) وليس للمكونات بشكل منفصل. ويجادل المؤلفون بأن:
التحسين المشترك ضروري: إن تحسين الاستعادة لكود ثابت محدود بخصائص التمييز الذاتية للكود (مثل تصادم المتلازمات). وعلى العكس من ذلك، فإن تحسين الكود مع استعادة ثابتة قد يعاقب كوداً جيداً لأن الاستعادة غير متوافقة مع فضاءات الخطأ الجديدة. ويتجنب التحسين المتزامن هذه القيود.
CT-QEC للضجيج غير الماركوفي: إطار العمل في الزمن المستمر، باستخدام القياسات الضعيفة المتكررة، يقلل بفعالية من الضجيج غير الماركوفي عن طريق قطع "نواة الذاكرة" للحمام (عبر تأثير زينو الكمي)، مما يجعل الديناميكيات ماركوفية فعلياً.
أكواد متكيفة مع الأجهزة: يتيح البروتوكول اكتشاف مخططات استعادة مصممة لضجيج أي جهاز، بما في ذلك الأخطاء غير التابعة لـ "باولي" والأخطاء المترابطة، والتي قد لا تتعامل معها أكواد الموازن القياسية بشكل أمثل.
يقر المؤلفون بوجود قيود، مشيرين إلى أن حجم الشبكة العصبية ينمو أسياً مع حجم النظام، مما يجعل هذا النهج غير عملي حالياً للأنظمة الكبيرة جداً. ويقترحون أن الفائدة الأساسية تكمن في تحديد التشفيرات المثلى لضجيج جهاز معين، والتي يمكن بعد ذلك دمجها مع الأكواد القياسية. كما يلاحظون أن الإطار الحالي لا يفرض قيوداً على الأجهزة (مثل المحلية) على مؤثرات الاستعادة، وهو ما سيكون خطوة ضرورية للتنفيذ العملي.