⚛️ quantum physics

Variational Thermal State Preparation on Digital Quantum Processors Assisted by Matrix Product States

تقدم هذه الورقة إطاراً تباينياً يجمع بين حالات ناتج ضرب المصفوفات والأنماط الموفرة للأجهزة لإعداد حالات جيبس الكمية بكفاءة، مما يثبت قابليتها للتوسع من خلال المحاكاة العددية على أنظمة تصل إلى 6×6 مواقع، وجدواها العملية على معالج IBM كمي مكون من 156 كيوبت مع تخفيف كبير للخطأ.

المؤلفون الأصليون: Rui-Hao Li, Semeon Valgushev, Khadijeh Najafi

نُشر 2026-04-17

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Rui-Hao Li, Semeon Valgushev, Khadijeh Najafi

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 خبز رغيف الخبز المثالي، ولكن بدلاً من الدقيق والماء، أنت تعمل بـ الجسيمات الكمومية. في عالم الفيزياء الكمومية، لا تكتفي هذه الجسيمات بالجلوس ساكنة؛ بل ترقص في أنماط معقدة. عندما يكون النظام "ساخناً"، تكون الجسيمات فوضوية ومضطربة. وعندما يكون "بارداً"، تستقر في إيقاع منظم وهادئ.

يطلق العلماء على هذه الحالة المنظمة والهادئة اسم حالة غيبس (أو الحالة الحرارية). إن إنشاء هذه الحالات على حاسوب كمومي يشبه محاولة خبز ذلك الرغيف المثالي في مطبخ يحترق حالياً (أجهزة مليئة بالضجيج والأخطاء). إنه أمر صعب للغاية.

تقدم هذه الورقة البحثية وصفة جديدة ذكية لخبز تلك الأرغفة الكمومية دون حرق المطبخ. وإليك كيف فعلوا ذلك، مشروحاً ببساه:

1. المشكلة: عنق زجاجة "الإنتروبيا"

لخبز الحالة الحرارية المثالية، تحتاج إلى تقليل ما يسمى بـ الطاقة الحرة. فكر في الطاقة الحرة كلوحة نتائج تتكون من جزأين:

الطاقة: مقدار حركة الجسيمات (مثل الحرارة في الفرن).
الإنتروبيا: مدى فوضوية أو عدم انتظام الجسيمات (مثل تناثر الدقيق في كل مكان).

المشكلة هي أنه على الحاسوب الكمومي، حساب "الفوضى" (الإنتروبيا) هو كابوس. يتطلب الأمر عادةً أخذ "لقطة" للنظام الكمومي بأكمله، وهو أمر يشبه محاولة تصوير طائر طنان وسط إعصار. هذا يستغرق الكثير من الوقت والموارد، خاصة على حواسيب اليوم المليئة بالضجيج.

2. الحل: "التوأم الرقمي" (حالات ناتج مصفوفة الضرب - Matrix Product States)

ابتكر المؤلفون حلاً ذكياً للالتفاف على هذه المشكلة. فبدلاً من محاولة قياس الفوضى مباشرة على الحاسوب الكمومي، قاموا ببناء توأم رقمي للنظام على حاسوب كلاسيكي عادي.

التشبيه: تخيل أنك تحاول التنبؤ بالطقس. بدلاً من إرسال مليون مستشعر داخل العاصفة لقياس كل هبة ريح (وهو أمر صعب ومكلف)، تقوم ببناء محاكاة حاسوبية دقيقة جداً للعاصفة. تقوم بتشغيل المحاكاة لترى كيف تتحرك الرياح، ثم تستخدم تلك البيانات لتوجيه أفعالك في العالم الحقيقي.
التقنية: استخدموا أداة رياضية تسمى حالات ناتج مصفوفة الضرب (MPS). فكر في MPS كخوارزمية ضغط فائقة الكفاءة. يمكنها وصف نظام كمومي معقد باستخدام كمية ضئيلة جداً من الذاكرة، تماماً مثل ملف ZIP الذي يضغط فيديو كبير الحجم.

من خلال استخدام هذا "التوأم الرقمي"، استطاعوا حساب "الفوضى" (الإنتروبيا) فوراً وبدقة على حاسوب عادي، دون الحاجة لأن يقوم الحاسوب الكمومي بالعمل الشاق.

3. الوصفة: فرنان مختلفان (Ansatzes)

لإنشاء الحالة، استخدموا "دائرة كمومية" (وصفة من البوابات). اختبروا نوعين مختلفين من الوصفات:

الوصفة أ (TFDA): هذا يشبه فرناً احترافياً عالي المستوى يبدأ بعجينة ممزوجة تماماً. يعمل بشكل رائع إذا كنت تريد رغيفاً ساخناً وفوضوياً (درجة حرارة عالية)، لكنه يعاني لصنع رغيف كثيف وبارد (درجة حرارة منخفضة) لأنه يتطلب خطوات كثيرة جداً.
الوصفة ب (HEA - Ansatz المعتمد على الأجهزة): هذا فرن أبسط وأكثر متانة مصمم للمطابخ المنزلية. يبدأ بعجينة عادية غير ممزوجة. ومن المثير للدهشة، تبين أنه أفضل بكثير في صنع الأرغفة الكثيفة والباردة (درجات الحرارة المنخفضة). وبما أن معظم الفيزياء المثيرة تحدث عندما تكون الأشياء باردة، فقد كانت هذه الوصفة هي الفائزة.

4. تجربة القيادة: من المحاكاة إلى الواقع

لم يتوقف الفريق عند الجانب النظري فحسب، بل وضعوا طريقتهم قيد الاختبار بطريقتين:

المحاكاة: قاموا بمحاكاة أنظمة تضم ما يصل إلى 30 جسيماً في خط واحد (1D) وشبكة 6×6 (2D). وتحققوا مما إذا كان "توأمهم الرقمي" يمكنه التنبؤ بدرجة الحرارة، والضغط، وسلوك النظام.
- النتيجة: لقد نجح الأمر بشكل رائع! استطاعوا التنبؤ بسلوك هذه الأنظمة بدقة عالية، حتى للأحجام التي عادة ما تكون كبيرة جداً على الحواسيب الكلاسيكية للتعامل معها بسهولة.
الأجهزة الحقيقية: أخذوا أفضل وصفة لديهم وشغلوها على حاسوب كمومي حقيقي في IBM (معالج IBM Heron الذي يحتوي على 156 كيوبت).
- التحدي: الحواسيب الكمومية الحقيقية مليئة بالضجيج. الأمر يشبه محاولة خبز الخبز بينما يقوم شخص ما بهز الطاولة والنفخ في الفرن.
- الحل: استخدموا تقنيات "تخفيف الخطأ" (Error Mitigation). تخيل أنك تعلم أن فرنك يسخن بمقدار 5 درجات أكثر من اللازم، لذا تقوم بتعديل المؤشر للأسفل. استخدموا تقنية تسمى الاستكمال الخارجي للضجيج الصفري (ZNE). قاموا بتشغيل التجربة عند مستويات مختلفة من "الضجيج" واستنتجوا رياضياً ما كان سيكون عليه الحال لو كان الفرن مثالياً.
- النتيجة: قلل هذا من أخطائهم إلى النصف! لقد نجحوا في إعداد حالة حرارية لنظام مكون من 30 جسيماً، مما أثبت أن طريقتهم تعمل على أجهزة حقيقية وغير مثالية.

الصورة الكبيرة

لماذا يهم هذا الأمر؟

علم المواد: يمكننا محاكاة كيفية سلوك المواد في درجات حرارة مختلفة لاكتشاف موصلات فائقة أو بطاريات جديدة.
الذكاء الاصطناعي: يساعد هذا في تدريب "آلات بولتزمان الكمومية"، وهي نوع من الذكاء الاصطناعي الذي يتعلم من البيانات بطريقة تشبه تعلم أدمغتنا.
التحسين (Optimization): يساعد في حل الألغاز المعقدة (مثل اللوجستيات أو التمويل) من خلال إيجاد الحل الأمثل عبر "أخذ العينات الحرارية".

باخت-القول:
بنى المؤلفون نظاماً هجيناً حيث يعمل الحاسوب الكلاسيكي كـ "مساعد ذكي" لحساب الأجزاء الرياضية الفوضوية، بينما يعمل الحاسوب الكمومي كـ "طاهٍ" يقوم فعلياً بطهي الحالة. ومن خلال استخدام وصفة ذكية وبسيطة (HEA) وتقنية إلغاء الضجيج (ZNE)، تمكنوا من خبز رغيف كمومي مثالي في فرن حقيقي وصاخب جداً. هذه خطوة كبيرة نحو جعل الحواسيب الكمومية مفيدة لفهم العالم الحقيقي.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التحضير التبايني للحالة الحرارية على المعالجات الكمومية الرقمية بمساعدة حالات ناتج مصفوفة المنتج (MPS)."

1. بيان المشكلة

يعد تحضير حالات جيبس (Gibbs) الكمومية (الحرارية) عند درجات حرارة محدودة تحديًا جوهريًا في الحوسبة الكمومية، وهو أمر ضروري لمحاكاة أنظمة المادة المكثفة، وتدريب آلات بولتزمان الكمومية، وحل مشكلات الأمثلة.

الصعوبة الحسابية: تحضير الحالات الأرضية هو مسألة من فئة QMA-hard؛ ويُعتقد أن تحضير حالة جيبس عند درجات حرارة منخفضة يتطلب جهدًا مماثلاً.
عنق زجاجة الإنتروبيا: خوارزميات الكم التباينية (VQAs) للحالات الحرارية تعمل عادةً على تقليل طاقة هلمهولتز الحرة، $F(\rho) = E(\rho) - \beta^{-1}S(\rho)$ . وبينما يمكن تقدير حد الطاقة $E(\rho)$ بسهولة عبر القياسات الكمومية، فإن حساب إنتروبيا فون نيومان $S(\rho)$ يتطلب موارد ضخمة، وعادة ما يتطلب تصويرًا كاملاً للحالة (Tomography) أو إعادة بناء عشوائية، وهو أمر غير ممكن في أجهزة الكم الكموم ذات المقياس المتوسط المشوبة بالضجيج (NISQ).
مشكلات القابلية للتوسع: تقت pula النهج التباينية الحالية على أنظمة صغيرة (2-8 كيوبت) بسبب قيود عمق الدائرة وعدم القدرة على تقييم الإنتروبيا بكفاءة على الأجهزة.

2. المنهجية

يقترح المؤلفون إطار عمل هجين (كلاسيكي-كمومي) يستفيد من حالات ناتج مصفوفة المنتج (MPS) للتغلب على عنق زجاجة الإنتروبيا وتمكين التحضير القابل للتوسع لحالة جيبس.

أ. الخوارزمية التباينية بمساعدة MPS

بدلاً من قياس الإنتروبيا على الجهاز الكمومي، تستخدم الخوارزمية محاكاة MPS كلاسيكية لتقييم دالة التكلفة:

التنقية (Purification): يتم تمثيل الحالة المختلطة الحرارية $\rho$ كحالة نقية $|\psi\rangle$ في فضاء هيلبرت موسع (كيوبتات فيزيائية + كيوبتات مساعدة/ancilla) بحيث $\rho = \text{Tr}_{\text{anc}}(|\psi\rangle\langle\psi|)$ .
توصيف الدائرة (Circuit Parameterization): تقوم دائرة كمومية ذات معاملات (ansatz) بتحضير الحالة النقية $|\psi(\theta)\rangle$ .
التقييم الكلاسيكي: يتم رسم خريطة للحالة $|\psi(\theta)\rangle$ $∣ ψ (θ)⟩$ إلى تمثيل MPS كلاسيكيًا.
- الطاقة: تُحسب عبر ضرب الـ MPS في الهاميلتوني (الممثل بـ MPO).
- الإنتروبيا: تُحسب بكفاءة عبر تفكيك شميدت (Schmidt decomposition) لـ MPS عبر التقسيم الثنائي بين الفيزيائي والمساعد. القيم الذاتية لمصفوفة الكثافة المختزلة هي مربعات معاملات شميدت ( $p_i = \lambda_i^2$ )، مما يسمح بحساب $S(\rho) = -\sum p_i \ln p_i$ دون الحاجة لقياسات كمومية.
الأمثلة (Optimization): يقوم مُحسِّن كلاسيكي (COBYLA) بتحديث المعاملات $\theta$ بشكل تكراري لتقليل الطاقة الحرة.
التنفيذ: بمجرد العثور على المعاملات المثلى $\theta^*$ ، يتم تنفيذ الدائرة على جهاز كمومي حقيقي لتحضير حالة جيبس التقريبية وقياس الملاحظات (observables).

ب. اختيار الـ Ansatz: المقارنة بين HEA و TFDA

تقارن الورقة بين نوعين من الـ ansatz:

الـ Ansatz ذو التوأمة الحرارية المزدوجة (TFDA): مدفوع فيزيائيًا، يبدأ من حالة متشابكة كليًا. يعمل بشكل جيد عند درجات الحرارة العالية، لكنه يتطلب دوائر عميقة وطبقات عديدة لفك تشابك الأنظمة عند درجات الحرارة المنخفضة، مما يجعله أقل ملاءمة لأجهزة NISQ.
الـ Ansatz عالي الكفاءة للأجهزة (HEA): يتكون من دورات محلية وبوابات تشابك متوافقة مع اتصال الجهاز.
- النتيجة: يتفوق HEA على TFDA عند درجات الحرارة المنخفضة (قيم $\beta$ الكبيرة). نظرًا لأن حالات جيبس عند درجات الحرارة المنخفضة تمتلك تشابكًا أقل (وفقًا لقانون المساحة)، يمكن لـ HEA الضحل تقريبها بفعالية. اختار المؤلفون HEA للمحاكاة واسعة النطاق.

3. المساهمات الرئيسية

إطار عمل مبتكر: دمج MPS للتقييم الكلاسيكي للإنتروبيا ضمن حلقة تحضير حالة جيبس تباينية، مما يتجاوز الحاجة إلى التصوير الكمومي (Quantum Tomography).
القابلية للتوسع: إثبات القدرة على محاكاة وتحضير حالات جيب_ لـ أنظمة أحادية البعد تصل إلى 30 موقعًا و أنظمة ثنائية الأبعاد تصل إلى $6 \times 6$ موقعًا (باستخدام ما يصل إلى 44 كيوبت في المحاكاة).
العرض التجريبي على الأجهزة: تنفيذ ناجح لتحضير حالة جيب لنموذج Ising ذو المجال المستعرض (TFIM) مكون من 30 سبين على معالج IBM Heron المكون من 156 كيوبت (ibm_kingson).
تخفيف الخطأ: تطبيق استقراء الضجيج الصفري (ZNE) على نتائج الأجهزة، مما قلل الأخطاء النسبية في قياسات الطاقة والتحسس (susceptibility) بأكثر من 50% مقارنة بالنتائج غير المخففة.

4. النتائج

أ. المحاكاة الخالية من الضجيج (الكلاسيكية)

النماذج المختبرة: نموذج TFIM أحادي وثنائي الأبعاد ونموذج XXZ أحادي البعد.
الملاحظات (Observables): كثافة الطاقة، التحسس المغناطيسي، السعة الحرارية، ودوال الارتباط ثنائية النقاط.
اتجاهات الأداء:
- درجة الحرارة المنخفضة ( $\beta > 2$ ): يحقق HEA دقة عالية، حيث تطابق تقديرات الطاقة النتائج التحليلية الدقيقة (في 1D) أو معايير مونت كارلو الكمومية (QMC) (في 2D).
- درجة الحرارة المتوسطة ( $\beta \approx 1$ ): تنخفض الدقة. يتضمن هذا النظام خليطًا معقدًا من العديد من الحالات الذاتية بأوزان متقاربة، مما يشكل تحديًا للـ ansatz ذات العمق المحدود.
- درجة الحرارة العالية: يؤدي TFDA أداءً أفضل، لكن HEA يظل قابلًا للاستخدام مع توفر عدد كافٍ من الكيوبتات المساعدة.
محلية المؤثر (Operator Locality):
- الطاقة: دقيقة للغاية عبر مختلف درجات الحرارة.
- التحسس: أقل دقة من الطاقة في 1D عند درجات الحرارة المتوسطة بسبب طبيعته بعيدة المدى (مجموع كل الارتباطات ثنائية النقاط).
- السعة الحرارية: هي الأقل دقة من بين الملاحظات. فهي تعتمد على تباين الهاميلتوني (مؤثر رباعي المواقع)، مما يجعلها حساسة للغاية لأخطاء تحضير الحالة وتتطلب دقة أعلى.

ب. تجارب الأجهزة الكمومية

الإعداد: نموذج TFIM أحادي البعد بـ 30 سبين على IBM Heron مع $L=3$ طبقات و4 كيوبتات مساعدة.
تخفيف الخطأ:
- الاختبارات شملت Pauli twirling، وProbabilistic Error Cancellation (PEC)، والدوائر الديناميكية.
- كان ZNE الأكثر فعالية. من خلال طي بوابات الكيوبت الثنائية لتضخيم الضجيج ( $\lambda = 1, 3, 5$ $λ = 1, 3, 5$ ) والاستقراء إلى حد الضجيح الصفري، حقق المؤلفون:
  - الطاقة: متوسط خطأ نسبي ~5.6% (انخفض من ~11.4%).
  - التحسس: متوسط خطأ نسبي ~19.1% (انخفض من ~38.9%).
الملاحظة: ظلت تقديرات التحسس أكثر عرضة للخطأ من تقديرات الطاقة، مما يؤكد حساسية المؤثرات بعيدة المدى للضجيج.

5. الأهمية والآفاق المستقبلية

سد الفجوة: يوضح هذا العمل مسارًا عمليًا لتحضير الحالات الحرارية على أجهزة NISQ لأنظمة لم يكن من الممكن الوصول إليها سابقًا (أكثر من 30 كيوبت)، متجاوزًا حد الـ 2-8 كيوبت الذي فرضته الأعمال السابقة.
الكفاءة: من خلال نقل حساب الإنتروبيا الصعب إلى محاككات MPS كلاسيكية، تتجنب الطريقة "العبء القياسي للقياس" الذي يعيق طرق التحضير الحراري التباينية الأخرى.
الاتجاهات المستقبلية:
- درجات الحرارة المتوسطة: تواجه الطريقة صعوبة عند $\beta \sim 1/\Delta$ (حيث تتساوى الطاقة الحرارية مع فجوات الاستثارة). قد تتطلب الأعمال المستقبلية ansatz مستندة إلى المشكلة (مثل البدء بحالات DMRG) أو دوائر أعمق مع تخفيف أفضل للخطأ.
- تصوير الشبكة الموترية (Tensor Network Tomography): يقترح المؤلفون استخدام تصوير MPS لإعادة بناء الحالات مباشرة من قياسات الأجهزة، مما قد يلغي الحاجة إلى محاكاة الدوائر العميقة كلاسيكيًا.
- تحسين الخوارزميات: معالجة مشكلة "الهضاب القاحلة" (Barren Plateaus) في الدوائر الأعمق عبر التدريب التدريجي للطبقات أو استراتيجيات تهيئة أفضل.

ختامًا، تثبت هذه الورقة أن الجمع بين الخوارزميات الكمومية التباينية وتقنيات شبكة الموتر (MPS) يعد استراتيجية قوية لتحضير وتوصيف الحالات الحرارية عند درجات حرارة محدودة على الأجهزة الحالية، بشرًا بشرط استخدام تخفيف الخطأ المناسب واختيار الـ ansatz الملائم (تفضيل HEA لدرجات الحرارة المنخفضة).