⚛️ quantum physics

Learning mixed quantum states in large-scale experiments

تقدم هذه الورقة وتتحقق تجريبياً من بروتوكول فعال يستخدم الظلال الكلاسيكية (classical shadows) المستمدة من القياسات العشوائية المحلية لتعلم تمثيل مؤثر ناتج عن ضرب المصفوفات (matrix-product operator) للحالات الكمومية المختلطة واسعة النطاق، وقد تم إثبات ذلك بنجاح على معالج فائق التوصيل يصل إلى 96 كيوبت.

المؤلفون الأصليون: Matteo Votto, Marko Ljubotina, Cécilia Lancien, J. Ignacio Cirac, Peter Zoller, Maksym Serbyn, Lorenzo Piroli, Benoît Vermersch

نُشر 2026-03-10

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Matteo Votto, Marko Ljubotina, Cécilia Lancien, J. Ignacio Cirac, Peter Zoller, Maksym Serbyn, Lorenzo Piroli, Benoît Vermersch

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 أن لديك آلة ضخمة ومعقدة للغاية مكونة من 96 مفتاحاً صغيراً (كيوبتات). من المفترض أن تؤدي هذه الآلة رقصة محددة (حالة كمومية)، ولكن بسبب الضجيج وعدم المثالية، تصبح الرقصة مهلهلة بعض الشيء. هدفك هو معرفة ما تفعله الآلة بالضبط في هذه اللحظة، رغم الضجيج، حتى تتمكن من فهمها وربما إصلاح أخطائها.

المشكلة هي أن وصف هذه الآلة بشكل مثالي يشبه محاولة كتابة موقع كل ذرة في مجرة ما. إنه قدر هائل من البيانات لا يمكن لأي حاسوب التعامل معه.

تقدم هذه الورقة البحثية طريقة ذكية جديدة لحل هذه المشكلة. إليك التفاصيل باستخدام تشبيهات بسيطة:

1. المشكلة: "الصورة الضبابية"

عادةً، لفهم آلة كمومية، يلتقط العلماء آلاف الصور من زوايا مختلفة (قياسات عشوائية). هذا ينشئ مجموعة بيانات ضخمة تسمى "الظلال الكلاسيكية" (Classical Shadows).

الطريقة القديمة: إذا كنت تريد إعادة بناء الآلة بأكملها من هذه الصور، فستحتاج إلى معالجة مكتبة كاملة من البيانات. هذا أمر بطيء ويصبح مستحيلاً مع كبر حجم الآلة.
الطريقة الجديدة: بدلاً من الاحتفاظ بالمكتبة الكاملة من الصور، يقترح المؤلفون ضغط هذه المعلومات في "كتيب تعليمات" واحد وذكي.

2. الحل: "كتيب تعليمات قطع الليغو" (MPO)

يستخدم المؤلفون بنية رياضية تسمى "مؤثر حاصل ضرب المصفوفات" (Matrix Product Operator - MPO).

التشبيه: تخيل أن الحالة الكمومية ليست كتلة صلبة ضخمة، بل هي سلسلة طويلة من قطع الليغو. كل قطعة (تنسور) تحتاج فقط لمعرفة كيفية الاتصال بالقطع المجاورة لها مباشرة.
لما لماذا ينجح هذا: على الرغم من أن السلسلة بأكملها تتكون من 96 قطعة، إلا أنك لست بحاجة لمعرفة الشفرة السرية للسلسلة بأكملها دفعة واحدة. أنت تحتاج فقط لمعرفة كيف تتصل القطعة 1 بالقطعة 2، ثم القطعة 2 بالقطعة 3، وهكذا. هذا يجعل البيانات قابلة للإدارة، مثل كتيب تعليمات بسيط بدلاً من كومة فوضوية من قطع الليغو.

3. العملية: "حل الألغاز"

كيف يحولون الصور الضبابية إلى كتيب الليغو هذا؟ يستخدمون خوارزمية تعلم خطوة بخطوة، تشبه كيفية حل شخص ما للغز طويل.

الخطوة 1: التخمين. يبدأون بكتيب تعليمات فارغ.
الخطوة 2: الإصلاح المحلي. ينظرون إلى قسم صغير من الآلة (مثلاً 5 قطع في المنتصف). ويسألون بيانات "الظل الكلاسيكي": "إذا قمت بتغيير هذه القطعة تحديداً، فهل ستبدو الصورة أكثر شبهاً بالآلة الحقيقية؟"
الخطوة 3: المسح (The Sweep). يتحركون على طول الخط، فيقومون بإصلاح قطعة واحدة في كل مرة، ثم يعودون للقيام بذلك مجدداً. هذا يشبه "مجموعة إعادة التطبيع" (مصطلح معقد لعملية تنظيف فعالة للغاية).
النتيجة: في النهاية، يصف الكتيب بدقة الآلة الحقيقية المليئة بالضجيج، وليس فقط الآلة النظرية المثالية.

4. الفوز الكبير: رؤية غير المرئي

اختبر المؤلفون هذه الطريقة على حاسوب كمومي فائق التوصيل حقيقي (معالج IBM Brisbane) يحتوي على 96 كيوبت.

الأرقام القياسية السابقة: قبل هذا، كان العلماء يستطيعون فقط القيام بهذا النوع من إعادة البناء التفصيلي لحوالي 13 كيوبت فقط. كان الأمر يشبه محاولة وصف غابة كاملة من خلال النظر إلى شجرة واحدة.
الإنجاز الحالي: نجحوا في رسم خريطة "الغابة" بأكملها المكونة من 96 كيوبت. لم يكتفوا بالتخمين؛ بل أثبتوا دقة خريطتهم من خلال التحقق مما إذا كان "كتيب الليغو" يتنبأ بسلوك الآلة بشكل صحيح.

5. القوة الخارقة: تصحيح الخطأ (المرشح السحري)

هذا هو الجزء الأكثر إثارة. نظرًا لأن لديهم هذا "الكتيب التعليمي" النظيف للآلة المليئة بالضجيج، يمكنهم استخدامه لإصلاح الأخطاء.

التشبيه: تخيل أن لديك صورة ضبابية لصديق. عادةً، لا يمكنك معرفة ما إذا كان يبتسم أم يعبس. ولكن إذا كان لديك نموذج ثلاثي الأبعاد مثالي لصديقك (MPO)، فيمكنك استخدام هذا النموذج لـ "ترشيح" الضباب ورؤية الابتسامة الحقيقية تحته.
النتيجة: استخدموا طريقتهم لتجريد الضجيج واستعادة الحالة الكمومية "النقية". وجدوا أنه على الرغم من أن الآلة كانت مليئة بالضجيج، إلا أن الحالة الكمومية الأساسية كانت في الواقع قريبة جداً من المثالية (بنسبة دقة تزيد عن 90%). هذه خطوة هائلة نحو جعل الحواسيب الكمومية مفيدة للمشاكل الواقعية.

الملخص

اعتبر هذه الورقة البحثية بمثابة ابتكار خوارزمية ضغط ذكية للفوضى الكمومية.

المدخلات: تجربة كمومية فوضوية وضبابية بـ 96 كيوبت.
العملية: حلل ألغاز ذكي وخطوة بخطوة يبني "كتيب تعليمات" مدمج (MPO) من البيانات.
المخرجات: وصف نظيف ومفهوم للحالة الكمومية يسمح للعلماء برؤية الإشارة من خلال الضجيج وإصلاح الأخطاء دون الحاجة لإعادة تشغيل التجربة مرة أخرى.

هذا ينقلنا من مرحلة "بالكاد نستطيع قياس عدد قليل من الكيوبتات" إلى مرحلة "يمكننا رسم خرائط وإصلاح الأنظمة الكمومية واسعة النطاق"، مما يقربنا من الحواسيب الكمومية العملية.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تعلم الحالات الكمومية المختلطة في التجارب واسعة النطاق".

1. بيان المشكلة

يعد استقصاء الحالة الكمومية للأنظمة واسعة النطاق ( $N \gg 10$ ) عائقًا أساسيًا في المحاكاة والحوسبة الكمومية. فالتصوير المقطعي للحالة الكمومية التقليدي (Quantum State Tomography) يتوسع بشكل أسي مع حجم النظام، مما يجعله غير ممكن للقيم الكبيرة لـ $N$ . وبينما برزت "الظلال الكلاسيكية" (Classical Shadows) -وهي قياسات عشوائية- كأداة قابلة للتوسع لتقدير خصائص محددة (مثل التشابك أو الدقة/Fidelities) بضمانات إحصائية مثبتة، إلا أنها تظل عمومًا "غير مدركة للحالة" (state-agnostic)؛ فهي لا توفر وصفًا عالميًا وموجزًا للحالة.

التحدي المحدد الذي تعالجه هذه الدراسة هو: كيف يمكن للمرء استعادة تمثيل عالمي وموجز (تحديدًا مؤثر منتج مصفوفي - MPO) لحالة كمومية مختلطة ناتجة عن تجربة واسعة النطاق وصاخبة، باستخدام بيانات الظلال الكلاسيكية فقط، دون الحاجة إلى موارد قياس أسية؟

2. المنهجية

يقترح المؤلفون بروتوكولًا يجمع بين الظلال الكلاسيكية وشبكات التنسور الأمثلية (تحديدًا الـ MPOs) لتعلم الحالة $\rho$ .

أ. بروتوكول التعلم

المدخلات: يأخذ البروتوكول كمدخل مجموعتين من البيانات للقياسات العشوائية المحلية (الظلال الكلاسيكية) التي تم جمعها من الحالة التجريبية $\rho$ $ρ$ .
- مجموعة التعلم (Learning Set): تُستخدم لتحسين معاملات الـ MPO.
- مجموعة الاختبار (Testing Set): تُستخدم لاختبار الـ MPO المتعلم مقابل الحالة التجريبية.
النموذج (Ansatz): يتم تمثيل الحالة المستهدفة كمؤثر منتج مصفوفي (MPO) $\sigma$ ببعد رابط $\chi'$ . يتم تعريف الـ MPO بمجموعة من $N$ من التنسورات المحلية $M^{(j)}$ .
استراتيجية التحسين (التحديث المتسلسل):
- تقوم الخوارزمية بتحسين التنسورات بشكل متسلسل، على غرار خوارزمية تحويل مجموعة التفاعل لترينيو (DMRG).
- بدلاً من تعظيم "الدقة القصوى" (Max Fidelity) التي لا تقبل الاشتقاق، تقوم الخوارزمية بتعظيم متوسط الهندسي (GM) للدقة $F_{GM}(\rho, \sigma) = \frac{\text{tr}[\rho\sigma]}{\sqrt{\text{tr}[\rho^2]\text{tr}[\sigma^2]}}$ .
- التحديث المحلي التقريبي: الرؤية النظرية الجوهرية هي أنه بالنسبة للحالات ذات أطوال الارتباط المحدودة (الشائعة في الدوائر أحادية البعد الصاخبة)، يمكن تقريب شرط التحسين العالمي بواسطة نظام خطي محلي. يقوم التنسور المحلي الأمثل $M^{(j)}$ تقريبًا باستيفاء المعادلة التالية:
  $\text{tr}_{I_j \setminus \{j\}}[\sigma_{I_j} \partial_{M^{(j)}} \sigma_{I_j}] = \text{tr}_{I_j \setminus \{j\}}[\rho_{I_j} \partial_{M^{(j)}} \sigma_{I_j}]$
  حيث أن $I_j = [j-\ell, j+\ell]$ هي نافذة محلية بحجم $2\ell+1$ .
- يتم حل هذه المعادلة عددياً كنظام خطي باستخدام الظلال الكلاسيكية من مجموعة التعلم.
الكفاءة: عدد القياسات المطلوبة لتعلم كل تنسور يتناسب مع $O(2^{2\ell}\chi' \epsilon^{-2})$ ، وهو مستقل عن إجمالي حجم النظام $N$ .

ب. القياس المرجعي القابل للتوسع (AFC Fidelity)

للتحقق من الحالة المتعلمة دون إعادة معالجة مجموعة البيانات بأكملها أو طلب قياسات أسية:

يستخدم المؤلفون شروط التجزئة التقريبية (AFC).
يثبتون أنه بالنسبة للحالات ذات أطوال الارتباط المحدودة، يمكن تقدير الدقة العالمية والنقاء بدقة عن طريق تجزئتها إلى نواتج تداخل ونقاء محلية عبر مناطق صغيرة بحجم $k$ .
تُعرف الدقة المقدرة بـ:
$F^{(k)}_{AFC}(\rho, \sigma) = \frac{O^{(k)}_{AFC}(\rho, \sigma)}{\max(P^{(k)}_{2,AFC}(\rho), P^{(k)}_{2,AFC}(\sigma))}$
يسمح هذا بقياس مرجعي فعال بميزانية قياس تتناسب حدودياً مع $N$ (تحديدًا $O(4^{2k}N^3)$ )، بدلاً من التوسع الأسي.

ج. تخفيف الخطأ عبر QPCA

بمجرد تعلم الـ MPO $\sigma$ ، يطبق المؤلفون تحليل المكونات الرئيسية الكمومي (QPCA):

يعاملون الـ MPO كمؤثر هاميلتوني $H = -\sigma$ .
باستخدام خوارزمية DMRG، يجدون المتجه الذاتي المهيمن $|\psi^\sigma_0\rangle$ (المكون الرئيسي) للحالة المختلطة.
هذا يؤدي فعليًا إلى "تنقية" الحالة، مما يخفف الضوضاء التجريبية عبر الإسقاط على أكثر مكون حالة نقية احتمالاً.

3. المساهمات الرئيسية

أول تصوير مقطعي لـ MPO واسع النطاق: نجح البروتوكول في تعلم تمثيل MPO للحالات المختلطة المتشابكة حتى $N=96$ كيوبت، مما يتجاوز الحدود السابقة (التي كانت عادةً $N \le 13$ للقياسات العشوائية و $N \le 20$ لتصوير MPS).
كفاءة مثبتة: يقدم المؤلفون براهين صارمة على أن خطوات التعلم والقياس المرجعي فعالة (متعددة الحدود في $N$ ) تحت افتراض الارتباطات قصيرة المدى (طول ريني-ماركوف المحدود).
إطار عمل هجين: نجحوا في سد الفجوة بين المتانة الإحصائية للظلال الكلاسيكية والقدرة التعبيرية لشبكات التنسور.
توصيف وتخفيف الضوضاء: لا تكتفي الطريقة بإعادة بناء الحالة فحسب، بل توضح أيضًا تأثير الضوضاء (عبر تحليل الإنتروبيا) وتوفر مسارًا لتخفيف الخطأ (عبر QPCA) دون عمليات تجريبية إضافية.

4. النتائج التجريبية

تم تطبيق البروتوكول على المعالج الكمومي فائق التوصيل IBM Brisbane (96 كيوبت) باستخدام دائرة نموذج كيكد آيزينج (Kicked Ising Model) عند أعماق $D=1$ و $D=2$ .

إعادة بناء الحالة:
- بالنسبة لـ $N=96, D=1$ ، حقق الـ MPO المتعلم دقة $F_{max} \approx 75\%$ مع الحالة التجريبية.
- بالنسبة لـ $N=96, D=2$ ، كانت الدقة $\approx 50\%$ .
- الأهم من ذلك، أن الـ MPO المتعلم التقط الطبيعة "المختلطة" للحالة التجريبية، بينما كانت الدقة مع الحالة النقية المثالية أقل بكثير.
الخصائص الفيزيائية:
- أعاد الـ MPO المتعلم إنتاج الملاحظات المحلية (مثل المغناطيسية $\langle Z_j \rangle$ ) والارتباطات ثنائية الجسم ( $\langle Y_j Y_{j+d} \rangle$ ) بدقة، متفوقًا على التنبؤ النظري المثالي (الذي يتجاهل الضوضاء).
- تحليل الإنتروبيا: تم قياس إنتروبيا ريني الثانية $S_2$ ، والتي أظهرت قانون حجم ضعيف ( $S_2 \propto \alpha N$ مع $\alpha \approx 0.14$ )، مما يشير إلى وجود ضوضاء كبيرة ولكن ليست قصوى.
تخفيف الخطأ:
- أدى تطبيق DMRG-QPCA على الـ MPO المتعلم إلى الحصول على حالة منقاة $|\psi^\sigma_0\rangle$ بدقة تتجاوز 90% من الحالة المثالية المستهدفة لـ $D=1$ .
- أظهرت الملاحظات المحلية للحالة المخففة تحسنًا جذريًا مقارنة بالبيانات التجريبية الخام.

5. الأهمية

القابلية للتوسع: يثبت هذا العمل أن التصوير المقطري الكامل للحالة الكمومية (في شكل MPO مضغوط) أمر ممكن لأنظمة تقترب من 100 كيوبت، وهو نطاق كان يُعتقد سابقًا أنه متاح فقط لخصائص محددة أو أنظمة صغيرة.
كفاءة البيانات: من خلال الاستفادة من بنية الحالات الكمومية الصاخبة (الارتباطات قصيرة المدى)، تتجنب الطريقة التوسع الأسي للتصوير التقليدي.
الفائدة العملية: القدرة على تحويل البيانات التجريبية إلى كائن MPO كلاسيكي تتيح:
- التقدير المتكرر لمختلف الخصائص الفيزيائية دون إعادة تشغيل التجارب.
- تخفيف الخطأ الكمومي عبر تحليل المكونات الرئيسية.
- قطع الدوائر الكمومية (Quantum Circuit Cutting): حفظ الحالات الوسيطة كـ MPOs لاستئناف الخوارزميات على أجهزة مختلفة.
- سير عمل هجين (كمي-كلاسيكي): استخدام MPO كلاسيكي لتحضير الحالات على حاسوب كمومي مقاوم للأخطاء.

باختصار، تقدم الورقة إطارًا قويًا وقابلًا للتوسع ومثبتًا تجريبيًا لتعلم وتحليل الحالات الكمومية المختلطة في عصر الـ NISQ، مما يحول البيانات التجريبية "الصاخبة" فعليًا إلى وصف كلاسيكي عالي الدقة ومخفف للأخطاء.