⚛️ quantum physics

Detection of noise correlations in two qubit systems by Machine Learning

تقدم هذه الورقة بروتوكول استشعار كمي مدعوم بالتعلم الآلي يحقق دقة تزيد عن 94% في تصنيف ستة أنواع متميزة من ارتباطات الضوضاء المكانية والزمانية في اثنين من الكيوبتات المقترنة بقوة فائقة، وذلك من خلال تحليل كفاءات النقل النهائية تحت ثلاث ظروف دفع، مما يتيح تمييزاً شبه مثالي بين الضوضاء الماركوفية وغير الماركوفية بأقل الموارد التجريبية.

المؤلفون الأصليون: Dario Fasone, Shreyasi Mukherjee, Dario Penna, Fabio Cirinnà, Mauro Paternostro, Elisabetta Paladino, Luigi Giannelli, Giuseppe A. Falci

نُشر 2026-04-23

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Dario Fasone, Shreyasi Mukherjee, Dario Penna, Fabio Cirinnà, Mauro Paternostro, Elisabetta Paladino, Luigi Giannelli, Giuseppe A. Falci

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

الصورة الكبيرة: البحث عن "الشبح" في الآلة

تخيل أنك بنيت آلة دقيقة للغاية وصغيرة جداً مكونة من دوّارين (هذه هي الكيوبتات، وهي الوحدات الأساسية للحاسوب الكمي). تريد لهذه الدوّارات أن تدور في تناغم تام لإجراء الحسابات.

ومع ذلك، فإن الغرفة التي تتواجد فيها مليئة بالضجيج. هناك تيارات هوائية، واهتزازات، وتغيرات في درجات الحرارة (هذا هو الضجيج) التي تعبث بدورانها. إذا كنت لا تعرف نوع الضجيج الذي يزعجها، فلن تتمكن من إصلاحها. هل هو نسيم ثابت؟ أم هبة ريح مفاجئة؟ هل يضرب الضجيج كلا الدوّارين في نفس اللحظة تماماً، أم أنه عشوائي لكل منهما على حدة؟

تقليدياً، يشبه اكتشاف هذا الأمر محاولة تشخيص مريض عبر الاستماع إلى ضربات قلبه لساعات، وتسجيل كل نبضة بمفردها، ثم تحليل البيانات. إنها عملية بطيئة، ومكلفة، وتتطلب الكثير من المعدات.

تقترح هذه الورقة البحثية طريقاً مختصراً. فقد ابتكر المؤلفون "محققاً ذكياً" (تعلم الآلة) يمكنه معرفة نوع الضجيج بمجرد النظر إلى النتيجة النهائية لتجربة سريعة. الأمر يشبه تشخيص المريض بمجرد سؤاله: "هل شعرت بدوار بعد الوقوف؟" والحصول على إجابة "نعم" أو "لا".

التجربة: "المنزلق السحري" (STIRAP)

لاختبار الضجيج، يستخدم الباحثون خدعة تسمى STIRAP.

التشبيه: تخيل منزلق ألعاب يحتوي على ثلاث منصات: القمة (البداية)، المنتصف (منطقة الخطر)، والقاع (النهاية).
الهدف: تريد نقل كرة من القمة إلى القاع دون أن تلمس المنصة الوسطى أبداً. إذا لمست المنصة الوسطى، فقد تعلق أو تسقط.
الطريقة: تقوم بدفع الكرة بدفعتين لطيفتين وموقوتتين (مثل والد يدفع طفلاً على أرجوحة). إذا ضبطت توقيت الدفعات بدقة، ستنزلق الكرة من القمة إلى القاع بسلاسة، متجاوزة المنصة الوسطى تماماً. هذا ما يسمى بـ "نقل التجمّع المتماسك".

المشكلة: في العالم الحقيقي، "الريح" (الضجيج) تزيح الكرة عن مسارها. أحياناً تصطدم بالمنصة الوسطى، وأحياناً أخرى لا تصل إلى القاع على الإطلاق.

الابتكار: أدرك الباحثون أن الطريقة التي تفشل بها الكرة (أو تنجح) تحكي قصة عن الريح.

إذا كانت الريح عبارة عن نسيم ثابت، فإن الكرة ستفشل بنمط معين.
إذا كانت الريح عبارة عن هبة عشوائية، فإن الفشل سيكون مختلفاً.
إذا ضربت الريح كلا الدوّارين في نفس الوقت، فإن الفشل سيبدو مختلفاً عما لو ضربت كل واحد منهما على حدة.

بدلاً من قياس الريح أثناء حركة الكرة، هم يقيسون فقط عدد الكرات التي وصلت إلى القاع بعد تشغيل المنزلق ثلاث مرات بقوى دفع مختلفة قليلاً.

المحقق: عقل تعلم الآلة

بمجرد حصولهم على البيانات (معدلات النجاح من الدفعات الثلاث المختلفة)، يقومون بتغذيتها في شبكة عصبية. فكر في هذا كدماغ رقمي لم يرَ الريح من قبل، لكنه بارع جداً في رصد الأنماط.

التدريب: قاموا بتعليم الدماغ عبر إظهار آلاف المنزلقات المحاكات. يقولون له: "عندما تكون الريح نسيمًا ثابتًا يضرب كلا الدوّارين، يكون معدل النجاح هو X. وعندما تكون عشوائية، يكون المعدل Y".
الاختبار: ثم يعرضون على الدماغ مجموعة جديدة من النتائج التي لم يراها من قبل.
النتيجة: ينظر الدماغ إلى الأرقام الثلاثة ويقول: "آها! هذا يبدو تماماً مثل الضجيج غير الماركوفي المترابط!" (وهذا تعبير معقد يعني "الريح هي نسيم ثابت يؤثر على كلا الدوّارين معاً").

الأنواع الستة لـ "الطقس"

علّم الباحثون الذكاء الاصطناعي الخاص بهم التعرف على ستة "أنماط طقس" مختلفة (أنواع الضجيج):

الضجيج الماركوفي (Markovian Noise): مثل قطرات المطر العشوائية واللحظية. تحدث وتختفي فوراً. النظام لا يتذكر الماضي.
الضجيج غير الماركوفي (Non-Markovian Noise): مثل الضباب بطيء الحركة. الضجيج يبقى عالقاً وله "ذاكرة" لما حدث قبل لحظة.
المترابط (Correlated): الريح تضرب كلا الدوّارين في نفس اللحظة تماماً وبنفس القوة.
المضاد للترابط (Anti-Correlated): الريح تضرب أحد الدوّارين بقوة بينما يتلقى الآخر نسيمًا لطيفًا في الاتجاه المعاكس.
غير المترابط (Uncorrelated): الريح تضرب كل دوّار بشكل عشوائي تماماً، دون أي علاقة بينهما.
المزيج: تركيبات من الأنواع المذكورة أعلاه.

لماذا يعد هذا أمراً بالغ الأهمية

تشير الورقة البحثية إلى أن طريقة "المنزلق السحري + المحقق الذكي" حققت دقة بنسبة 94%. هذه دقة تقارب المثالية!

إليك سبب كون هذا الأمر ثورياً:

جهد أدنى: لا تحتاج إلى تسجيل فيلم كامل لحركة الكرة وهي تنزلق. تحتاج فقط إلى لقطة في النهاية.
لا حاجة للسلاسل الزمنية: لا تحتاج إلى مراقبة النظام في الوقت الفعلي. أنت فقط تجري التجربة، وتتحقق من النتيجة، وتمضي قدماً.
قابل للتوسع: مع نمو الحواسيب الكمية (التي قد تحتوي على مئات الكيوبتات)، لن يكون لدينا الوقت أو الموارد لقياس كل كيوبت باستمرار. هذه الطريقة سريعة وخفيفة، مما يجعلها مثالية لمستقبل الحوسبة الكمية.

الخلاصة

لقد أظهر المؤلفون أنه من خلال الجمع بين خدعة فيزيائية ذكية (المنزلق السحري) ودماغ حاسوبي ذكي (تعلم الآلة)، يمكننا تشخيص "مرض" الحاسوب الكمي بسرعة وسهولة.

بدلاً من محاولة قياس الضجيج غير المرئي مباشرة (وهو أمر صعب)، تركوا الضجيج يفسد تجربة محكومة، ثم استخدموا الذكاء الاصطناٍء لقراءة "بصمات" الفشل المتروكة في النتائج النهائية. إنها طريقة أذكى، وأسرع، وأرخص لبناء حواسيب كمية أفضل.

إليك ملخص تقني مفصل لورقة البحث بعنوان "الكشف عن ارتباطات الضجيج في أنظمة الكيوبت المزدوجة بواسطة التعلم الآلي" من إعداد فازوني وآخرون.

1. بيان المشكلة

تعاني التقنيات الكمومية، وخاصة في عصر الـ NISQ (الكم ذو المقياس المتوسط المشوب بالضجيج)، من فقدان الترابط (decoherence) الناتج عن التفاعلات مع درجات الحرية البيئية. ويتمثل التحدي الحاسم في توصيف ارتباطات الضجيج (سواء كانت مكانية أو زمنية) التي تؤثر على الأنظمة متعددة الكيوبتات.

الفجوة: تتطلب طرق توصيف الضجيج القياسية (مثل التحليل الطيفي، وتصوير العمليات) عبئاً تجريبياً كبيراً، أو بيانات سلاسل زمنية، أو تحضير حالات متشابكة. علاوة على ذلك، تفترض العديد من بروتوكولات تصحيح الخطأ الكمومي (QEC) وجود أخطاء غير مرتبطة، وهو افتراض قد يفشل في البمارات المتوسعة حيث يسود الضجيج المرتبط مكانياً (مثل خطوط التحكم المشتركة أو الشوائب في الركيزة).
الهدف: تطوير طريقة فعالة من حيث الموارد لتصنيف طبيعة الضجيج (ماركوفي مقابل غير ماركوفي، ومرتبط مقابل غير مرتبط) الذي يؤثر على اثنين من الكيوبتات شديدة الاقتران باستخدام الحد الأدنى من البيانات التجريبية.

2. المنهجية

أ. النظام الفيزيائي وتصميم المستشعر

يقترح المؤلفون استخدام نظام كيوبت مزدوج كمستشعر، يتم نمذجته بواسطة هاميلتوني تفاعل Ising-xx مقترن بضجيج كلاسيكي عشوائي محلي ( $H_n$ ).

بروتوكول التحكم: يستخدم النظام بروتوكولاً يشبه النقل الأدياباتي المحفز عبر الامتصاص الشعاعي (STIRAP). يتم توجيه الكيوبتات بواسطة مجالين خارجيين بترددات وسعات محددة.
المثالي مقابل غير المثالي: في السيناريو المثالي، يقوم بروتوكول STIRAP بنقل التعداد من الحالة الأرضية $|gg\rangle$ إلى الحالة المثارة $|ee\rangle$ عبر "حالة مظلمة"، متجنباً الحالة المتوسطة. ومع ذلك، فإن وجود الضجيج يكسر الأدياباتية المثالية، مما يسبب تسرب التعداد وتقليل كفاءة النقل.
آلية الاستشعار: يستفيد البروتوكول من حساسية هذه الكفاءة لعيوب الضجيج. فبدلاً من محاولة تعظيم الكفاءة، تستخدم الطريقة النقص في الكفاءة كبصمة لارتباطات الضجيج الكامنة.

ب. نماذج الضجيج

تحدد الدراسة وتحاكي ست فئات متميزة من الضجيج بناءً على الارتباطات الزمنية والمكانية:

الضجيج غير الماركوفي (شبه الساكن - Quasistatic): زمن ارتباط الضجيج يتجاوز مدة البروتوكول.
- مرتبط ( $\delta_2 = \eta \delta_1, \eta > 0$ )
- مضاد للارتباط ( $\delta_2 = \eta \delta_1, \eta < 0$ )
- غير مرتبط (مستقل $\delta_1, \delta_2$ )
الضجيج الماركوفي: مرتبط دلتا في الزمن (عديم الذاكرة).
- مرتبط
- مضاد للارتباط
- غير مرتبط

ج. استراتيجية الحصول على البيانات

لتقليل الموارد التجريبية، يقترح المؤلفون مخطط الحصول على الحد الأدنى من البيانات:

المدخلات: يتم توجيه النظام تحت ثلاث حالات متميزة عبر تغيير نسبة ذروة سعات النبض ( $\Omega_p / \Omega_s$ $Ω_{p} / Ω_{s}$ ):
1. $\Omega_p = \Omega_s$
2. $\Omega_p = 2\Omega_s$
3. $\Omega_p = \Omega_s / 2$
القياس: يتم قياس التعداد النهائي فقط للحالة المثارة المزدوجة $|ee\rangle$ بعد انتهاء البروتوكول. لا تتطلب العملية بيانات سلاسل زمنية أو مراقبة في الوقت الفعلي.
متجه الميزات: تشكل الكفاءات الثلاث المقاسة متجهاً مدخلاً مكوناً من 3 عناصر لنموذج التعلم الآلي.

د. إطار التعلم الآلي

النموذج: شبكة عصبية مغذية أمامية (MLP) (شبكة عصبية ضحلة).
البنية: طبقة مدخلات (3 عصبونات) $\leftarrow$ 3 طبقات مخفية (64، 32، 32 عصبوناً مع تنشيطات ReLU/LeakyReLU) $\leftarrow$ طبقة مخرجات (6 عصبونات مع Softmax).
التدريب: يتم تدريب النموذج على بيانات اصطناعية ناتجة عن محاكاة عددية للديناميكيات الكمومية (حل معادلة شرودنجر للضجيج شبه الساكن ومعادلة ليندبلاد للضجيج الماركوفي).
المهمة: تصنيف متعدد الفئات لتحديد أي من فئات الضجيج الست أنتج متجه الكفاءة الملحوظ.

3. المساهمات الرئيسية

بروتوكول الحد الأدنى من الموارد: تتطلب الطريقة ثلاثة قياسات قياسية فقط (الكفاءات النهائية) تحت ظروف دفع مختلفة، مما يلغي الحاجة إلى قياسات معقدة مرتبطة بالزمن أو تحضير حالات متشابكة.
التمييز بين الماركوفي وغير الماركوفي: تحقق الطريقة تمييزاً شبه مثالي بين الضجيج الماركوفي وغير الماركوفي، وهي مهمة عانت فيها محاولات التعلم الآلي السابقة على الأنظمة ثلاثية المستويات.
كشف الارتباطات المكانية: تنجح الطريقة في التمييز بين الضجيج المرتبط، والمضاد للارتباط، وغير المرتبط لكل من النطاقات الزمنية.
استغلال عدم المثالية: يوضح العمل أن "العيوب" في بروتوكول STIRAP (الناتجة عن خلط الضجيج لفضاء هيلبرت رباعي المستويات) تحتوي على معلومات غنية يمكن استخراجها بواسطة التعلم الآلي، مما يحول مصدر الخطأ إلى أداة تشخيصية.
القابلية للتوسع: البروتوكول قابل للتطبيق على مختلف المنصات العتادية (الكيوبتات فائقة التوصيل، الأيونات المحتجزة، النقاط الكمومية) ويتطلب فقط مجالات دفع محلية.

4. النتائج

دقة التصنيف: يحقق نموذج MLP المدرب دقة تصنيف إجمالية تبلغ $\approx 94\%$ .
- الماركوفي مقابل غير الماركوفي: تمييز شبه مثالي ( $\approx 99\%$ ).
- الارتباطات المكانية غير الماركوفية: دقة بنسبة $97.3\%$ .
- الارتباطات المكانية الماركوفية: دقة بنسبة $91.7\%$ .
المتانة: تظل الطريقة متينة عبر مختلف قوى الاقتران بين الكيوبتات ( $g$ ). تظل الدقة فوق $80\%$ لـ $g \geq 0.2\epsilon$ ، وتصل ذروتها عند $g = 0.6\epsilon$ .
تحليل الميزات: تؤكد الدراسة أن ملفات الكفاءة تعتمد بشكل كبير على نسب الدفع وارتباطات الضجيج. وقد نجح نموذج التعلم الآلي في تعلم الخريطة المعقدة وغير الخطية بين متجهات الكفاءة وفئات الضجيج، حتى عندما تتضمن الفيزياء الأساسية خلطاً عبر فضاء هيلبرت رباعي المستويات بالكامل.

5. الأهمية والآفاق المستقبلية

توصيف العتاد: يوفر هذا النهج أداة سريعة ومنخفضة التكاليف لتوصيف خصائص الضجيج العالمية في الأجهزة الكمومية، وهو أمر ضروري لتحسين استراتيجيات تخفيف الخطأ والتحقق من عتبات تصحيح الخطأ الكمومي (QEC).
مكمل للتحليل الطيفي: بينما يوفر التحليل الطيفي التقليدي خرائط طيفية مفصلة، فإن هذا النهجع المدعوم بالتعلم الآلي يقدم "مسحاً سريعاً" لتحديد طبيعة الارتباطات (على سبيل المثال، هل الضجيج مرتبط أم عديم الذاكرة؟) قبل الالتزام بعمليات توصيف أكثر استهلاكاً للموارد.
العمل المستقبلي: يقترح المؤلفون توسيع الطريقة لتشمل مصفوفات أكبر من الكيوبتات (الظواهر الجماعية)، وتحسين معاملات التحكم (أشكال النبض، التأخيرات) جنباً إلى جنب مع قوة الاقتران، واستكشاف استراتيجيات التعلم غير الخاضع للإشراف لتصنيف أدق للضجيج.

باختصار، تؤسس الورقة لتعاون قوي بين التحكم الكمومي المتماسك (STIRAP) والتعلم الآلي، مما يثبت أن قياسات الحالة النهائية البسيطة يمكن استغلالها لتشخيص ارتباطات الضجيء البيئي المعقدة في الأنظمة الكمومية بدقة عالية وبأقل تكلفة تجريبية.