⚛️ quantum physics

Probabilistic Computers for Neural Quantum States

تُثبت هذه الورقة أن الجمع بين بنيات آلة بولتزمان المتناثرة وأجهزة الحوسبة الاحتمالية (مصفوفات البوابات المنطقية القابلة للبرمجة ميدانياً - FPGAs) يتغلب على عقبة عينات مونت كارلو في الحالات الكمومية العصبية، مما يتيح حسابات دقيقة لطاقة الحالة الأرضية لنماذج إيزينج ذات المجال المستعرض ثنائية الأبعاد حتى 6400 سبين، وتدريباً فعالاً للنماذج العميقة لـ 900 سبين.

المؤلفون الأصليون: Shuvro Chowdhury, Jasper Pieterse, Navid Anjum Aadit, Shaila Niazi, Johan H. Mentink, Kerem Y. Camsari

نُشر 2026-05-13

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Shuvro Chowdhury, Jasper Pieterse, Navid Anjum Aadit, Shaila Niazi, Johan H. Mentink, Kerem Y. Camsari

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 التنبؤ بسلوك حشد هائل من الناس، حيث يتفاعل كل شخص باستمرار مع جيرانه بطرق معقدة وغير مرئية. في عالم الفيزياء، هذا ما يسميه العلماء "نظاماً كمياً متعدد الأجسام". إن محاولة محاكاة هذا على كمبيوتر عادي تشبه محاولة عد كل حبة رمل على الشاطئ بينما تهب الرياح وتطيرها؛ الأمر بطيء للغاية وغالباً ما يكون مستحيلاً للحشود الكبيرة.

تقدم هذه الورقة البحثية طريقة جديدة لحل هذه المشكلة من خلال الجمع بين برمجيات ذكية وأجهزة متخصصة. إليك تفصيل نهجهم باستخدام تشبيهات بسيطة:

1. المشكلة: "الازدحام المروري" للمحاكاة

يستخدم العلماء طريقة تسمى "الحالات الكمية العصبية" (NQS) لنمذجة هذه الحشود الكمية. فكر في الشبكة العصبية كخريطة ذكية جداً تتنبأ بكيفية سلوك الحشد. ومع ذلك، لتحديث هذه الخريطة، يتعين على الكمبيوتر تشغيل ملايين عمليات المحاكاة العشوائية (مثل سؤال الحشد: "ماذا لو تحرك الجميع خطوة واحدة لليسار؟") لمعرفة ما سيحدث.

على أجهزة الكمبيوتر القياسية (CPUs)، تكون عملية أخذ العينات هذه بمثابة ازدحام مروري هائل. يقضي الكمبيوتر وقتاً طويلاً جداً في توليد هذه السيناريوهات العشوائية لدرجة أنه لا يستطيع فعلياً تعلم الإجابة. هذا هو "عنق الزجاجة" الذي أراد المؤلفون إصلاحه.

2. الحل: محرك "احتمالي" متخصص

بدلاً من طلب محاكاة العشوائية من كمبيوتر عام الأغراض، بنى المؤلفون آلة مخصصة باستخدام شرائح FPGA (وهي شرائح يمكن إعادة برمجتها لتعمل كأجهزة متخصصة).

التشبيه: تخيل أن الكمبيوتر القياسي هو أمين مكتبة واحد ذكي جداً يحاول تنظيم مكتبة يدوياً؛ إنه دقيق ولكنه بطيء. أما الكمبيوتر الاحتمالي الذي بناه المؤلفون فهو يشبه توظيف 2200 عامل صغير وسريع (يُطلق عليهم اسم p-bits) يمكنهم جميعاً خلط الكتب في وقت واحد.
كيف يعمل: هذه الـ p-bits هي وحدات بسيطة تتقلب بين حالتين (مثل سقوط العملة على الوجه أو الظهر) بناءً على جيرانها. ولأنها مبنية مباشرة داخل الأجهزة، فهي لا تحتاج إلى "التفكير" في كونها عشوائية؛ بل هي عشوائية بطبيعتها. وهذا يسم يسمح لها بتوليد ملايين السيناريوهات اللازمة للمحاكاة بشكل فوري تقريباً.

3. الاختراق الأول: محاكاة حشد عملاق

استخدم الفريق هذه الأجهزة الجديدة لمحاكاة شبكة ثنائية الأبعاد من الدورات الكمية (مثل شبكة من المغناطيسات الصغيرة).

النتيجة: نجحوا في محاكاة شبكة بحجم 80 في 80 (6,400 دورة/spin).
لماذا يهم ذلك: كانت الطرق السابقة تواجه صعوبة في الوصول إلى هذا المستوى دون الانهيار أو الاستغراق وقتاً طويلاً جداً. لقد سمحت لهم أجهزتهم المخصصة بالوصول إلى هذا الحجم بدقة عالية، مما يثبت أن الشرائح "الاحتمالية" المتخصصة يمكنها التعامل مع المحاكاة الكمية التي تفوق قدرة أجهزة الكمبيوتر القياسية.

4. الاختراق الثاني: خدعة التعلم "العميق"

أراد المؤلفون أيضاً استخدام شبكات عصبية "أعمق" (تراكم المزيد من طبقات المنطق) لأنها أفضل في فهم الأنماط المعقدة. ومع ذلك، تتطلب الشبكات العميقة عادةً خطوة رياضية تسمى "التهميش" (marginalization)، وهي تشبه محاولة حساب متوسط طول حشد من خلال قياس كل شخص على حدة—وهو أمر مستح المستحيل حسابياً للشبكات العميقة.

الابتكار: اخترعوا "خوارزمية أخذ العينات المزدوجة".
التشبيه: بدلاً من محاولة قياس الحشد بأكمله دفعة واحدة، يقومون بتثبيت الأشخاص في الخارج (الطبقة المرئية) ويطلبون فقط من الأشخاص في المنتصف (الطبقات المخفية) التحرك والتبدل حولهم. ومن خلال القيام بـ "أخذ العينات الشرطي" هذا، يمكنهم الوصول إلى الإجابة دون القيام بالرياضيات المستحيلة.
النتيجة: نجحوا في تدريب هذه الشبكات العميقة على شريحة FPGA واحدة لنظام مكون من 30 في 30 (900 دورة/spin). ووجدوا أن هذه الشبكات العميقة كانت في الواقع أكثر كفاءة، حيث احتاجت إلى عدد أقل من "الإعدادات" (المعلمات/parameters) للوصول إلى نفس النتيجة الدقيقة التي تحققها الشبكات الأبسط والأقل عمقاً.

الملخص

باختصار، يزعم البحث شيئين رئيسيين:

سرعة الأجهزة: من خلال بناء شريحة مخصصة (FPGA) تعمل كجيش ضخم من مقلبي العملات العشوائيين، أزالوا حد السرعة الذي كان يمنع المحاكاة الكمية من النمو بشكل أكبر. لقد قاموا بمحاكاة نظام مكون من 6,400 جسيم، وهو حجم كان بعيد المنال سابقاً لهذا النوع من الطرق.
خوارزميات أذكى: ابتكروا طريقة جديدة لتدريب الشبكات العصبية "العميقة" للفيزياء الكمية تتجنب الحسابات الرياضية المستحيلة. وهذا يسمح بنماذج أكثر قوة وأكثر كفاءة في الوقت نفسه.

يخلص المؤلفون إلى أنه من خلال الجمع بين هذه الأجهزة المتخصصة وخوارزمياتهم الجديدة، يمكننا الآن محاكاة أنظمة كمية أكبر وأكثر تعقيداً مما سبق، مما يفتح الباب لفهم مواد وفيزياء كانت في السابق صعبة الدراسة للغاية.

ملخص تقني: الحواسيب الاحتمالية للحالات الكمومية العصبية

1. بيان المشكلة

تعد المحاكاة الكلاسيكية الدقيقة للأنظمة الكمومية متعددة الأجسام تحديًا جوهريًا في فيزياء المادة المكثفة والكيمياء الكمومية. وبينما حققت الطرق الراسخة مثل مونت كارلو الكمومي (QMC) والشبكات التنسورية (tensor networks) دقة عالية، إلا أنها تواجه قيودًا متأصلة: تعاني طريقة QMC من "مشكلات الإشارة" (sign problems) في الأنظمة العامة، وتواجه الشبكات التنسورية صعوبة في التعامل مع مقاييس التشابك غير المواتية في الأبعاد الثنائية وبالقرب من النقاط الحرجة.

تقدم الحالات الكمومية العصبية (NQS)، التي تضع معاملات الدوال الموجية متعددة الأجسام باستخدام الشبكات العصبية، بديلًا قابلًا للتوسع. ومع ذلك، فإن عملية تدريب مونت كارلو المتغير (VMC) لـ NQS تعاني من اختناق بسبب التكلفة الحسابية لأخذ عينات ماركوف تشين مونت كارلو (MCMC). ومع زيادة أحجام الأنظمة، يصبح الوقت المطلوب لتقدير المراقبات (observables) وتدرجات المعلمات العشوائية عبر أخذ العينات مكلفًا للغاية، حتى بالنسبة للبنى البسيطة نسبيًا مثل آلات بولتزمان المقيدة (RBMs). هذا الاختناق يمنع التوسع إلى أحجام الأنظمة الكبيرة (على سبيل المثال، أكثر من $10^3$ من السبينات) الضرورية لاستكشاف الأطوار الكمومية المعقدة.

2. المنهجية

يقترح المؤلفون نهج تصميم مشترك بين الأجهزة والبرمجيات (hardware-software co-design) للتغلب على اختناق أخذ العينات عن طريق رسم خرائط لبنى آلات بولتزمان المتفرقة مباشرة على أجهزة حوسبة احتمالية.

أ. بنية الأجهزة الاحتمالية

جوهر المنهجية هو تنفيذ حاسوب احتمالي (p-computer) باستخدام مصفوفات البوابات المنطقية القابلة للبرمجة ميدانيًا (FPGAs).

البتات الاحتمالية (P-bits): تستخدم الأجهزة البتات الاحتمالية (p-bits)، وهي وحدات عشوائية كلاسيكية تتذبذب بين الحالات المنطقية $\{-1, +1\}$ . هذه الوحدات تنفذ بشكل طبيعي توزيع بولتزمان المطلوب لأخذ العينات.
الاتصال المتفرق (FRBM): لتجنب ازدحام التوجيه وتعقيد الأسلاك من رتبة $O(N^2)$ في الشبكات الكثيفة، يستخدم المؤلفون آلة بولتزمان مقيدة إضافيًا (FRBM). تفرض هذه البنية اتصالًا محليًا صارمًا (المسافة الإقليدية $k=2$ ، ما يعادل 13 جارًا لكل سبين)، مما يقلل تعقيد الأسلاك إلى $O(N)$ .
التنفيذ الهجين: يتولى وحدة معالجة مركزية (CPU) مستضيفة عملية تحسين المعلمات (باستخدام إعادة التشكيل الستوكاستي - Stochastic Reconfiguration)، بينما يعمل الـ FPGA كمأخذ عينات عالي الإنتاجية. يقوم الـ FPGA بتوليد تكوينات السبين، والتي تُنقل إلى الـ CPU لتجميع التدرجات وتحديث المعلمات.
الدقة: يستخدم تنفيذ الـ FPGA حسابات النقطة الثابتة (fixed-point) بعشر بتات لزيادة كثافة وتوازي البتات الاحتمالية، بينما يستخدم الـ CPU المستضيف حسابات الفاصلة العائمة أحادية الدقة (FP32) لضمان الاستقرار العددي في التحسين.

ب. خوارزمية أخذ العينات المزدوجة للنماذج العميقة

لتمكين تدريب آلات بولتزمان العميقة (DBMs) — وهي أكثر تعبيرًا من RBMs الضحلة ولكنها تعاني من صعوبة في حساب الهوامش (marginalization) فوق الوحدات الخفية — قدم المؤلفون خوارزمية أخذ عينات مزدوجة.

المفهوم: بدلًا من حساب الهوامش فوق المتغيرات المساعدة (وهو أمر مكلف حاسوبيًا)، تستبدل الخوارزمية هذه الخطوة بأخذ عينات شرطي.
العملية:
1. الحلقة الخارجية: أخذ عينات من التكوينات المرئية ( $v$ ) من الطبقة الفيزيائية.
2. الحلقة الداخلية: لكل تكوين مرئي ثابت، يتم تثبيت الوحدات المرئية وإجراء أخذ عينات جيبس (Gibbs sampling) فوق الطبقات المساعدة (الخفية والعميقة).
3. التقدير: يتم تقدير نسب الدالة الموجية المطلوبة لحسابات الطاقة المحلية كتوقعات شرطية فوق المتغيرات المساعدة بناءً على الحالة المرئية الثابتة.
الكفاءة: يفك هذا النهج الارتباط بين أخذ عينات السبين الفيزيائي وأخذ عينات الطبقة المساعدة، مما يقلل التباين ويتجنب الحاجة إلى إعادة أخذ العينات لكل عملية قلب سبين واحد. كما يسمح بتدريب البنى العميقة المتفرقة تحت قيود المحلية الصارمة.

ج. استراتيجية التوسع

تجميع عدة FPGAs: للأنظمة الكبيرة (مثل الشبكات بمقاس $80 \times 80$ )، يتم تقسيم رسم بياني FRBM عبر عدة شرائح FPGA باستخدام أداة تقسيم الرسم البياني METIS. يتم تبادل البتات الاحتمالية الحدودية بشكل غير متزامن عبر وصلات FMC عالية السرعة، بينما يتم تحديث البتات الاحتمالية المحلية بشكل متزامن. يسمح هذا للنظام بالتوسع بما يتجاوز موارد شريحة واحدة.

3. المساهمات الرئيسية

تسريع أخذ العينات بالأجهزة: يوضح المؤلفون رسم خرائط لآلات بولتزمان المتفرقة على مجموعة من الـ FPGAs المترابطة، محققين تسريعًا هائلاً في أخذ العينات مقارنة بالنماذج المرجعية من الـ CPU والـ GPU.
خوارزمية أخذ العينات المزدوجة: قدموا خوارقة جديدة تجعل تدريب آلات بولتمان العميقة المتفرقة (DBMs) ممكنًا لعمليات مونت كارلو المتغيرة من خلال استبدال حساب الهوامش المستعصي بأخذ العينات الشرطي.
كفاءة المعلمات: أظهروا أن البنى العميقة المتفرقة (DBMs) تحقق طاقات تباينية أقل مع عدد أقل بكثير من المعلمات مقارنة بالشبكات الضحلة (RBMs)، مما يحسن كفاءة المعلمات.

4. النتائج

تم التحقق من المنهجية على نموذج "إيزينج" في المجال المستعرض (TFIM) عند النقطة الحرجة.

أداء الـ FPGA المنفرد:
- بالنسبة لشبكة بمقاس $35 \times 35$ (1,225 سبين)، وصل النظام إلى دقة كيميائية (خطأ نسبي $|\Delta E/E_{ref}| \le 1.6 \times 10^{-3}$ ) خلال حوالي 100 دورة تحسين.
- استهلك أخذ العينات أقل من 5% من إجمالي وقت الجدار (wall-clock time) على الـ FPGA، بينما قضى نموذج الـ CPU المرجعي 20-30% من وقته في أخذ العينات حتى مع استخدام عينات أقل بكثير.
- تطابقت طاقات الحالة الأرضية بسلاسة بين حدود المجال المغناطيسي والحدود المستقطبة للمجال، مطابقةً مع معايير مونت كارلو لمسار التكامل الزمني المستمر.
التوسع عبر عدة FPGs:
- باستخدام مجموعة من ست شرائح FPGA مترابطة، تمكن المؤلفون من محاكاة شبكات تصل إلى $80 \times 80$ (6,400 سبين).
- حافظ النظام على التقارب ضمن الدقة الكيميائية مع زيادة حجم النظام، مع تقليل تكاليف اتصالات الحدود (نسبة القطع 5.6% لـ $L=80$ ).
- سمحت الاتصالات غير المتزامنة بتشغيل البتات الاحتمالية المحلية بسرعة 15 ميجاهرتز، مما تفوق بشكل كبير على سرعات الساعة المطلوبة للمزامنة العالمية الصارمة.
تدريب النماذج العميقة:
- نجحت خوارزمية أخذ العينات المزدوجة في تدريب DBM متفرق على شبكة $10 \times 10$ ، محققةً دقة كيميائية.
- كفاءة المعلمات: حققت الـ DBM المتفرقة طاقات تباينية أقل مع نصف عدد المعلمات تقريبًا ( $N_p \approx 1300$ ) مقارنة بـ RBM المتفرقة ( $N_p \approx 3100$ ) المطلوبة للوصول إلى دقة مماثلة.
- القابلية للتوسع: تم تطبيق الخوارزمية بنجاح على شبكة $30 \times 30$ (900 سبين) على FPGA واحد، مما أثبت جدوى تدريب النماذج العميقة للأنظمة التي كان من الصعب التعامل معها سابقًا باستخدام NQS العميقة.
- أظهر تحليل التوسع الخوارزمي على الـ GPU أن وقت الدورة يتناسب طرديًا مع مربع البعد الخطي ( $t_{iter} \propto L^2$ ) في ظل التفرق الثابت، وهو ما يتوافق مع إجمالي عدد السبينات $N=L^2$ .

5. الأهمية والادعاءات

يزعم البحث أن الأجهزة الاحتمالية تخفف بفعالية من اختناق أخذ العينات في المحاكاة التباينية للأنظمة الكمومية متعددة الأجسام. ومن خلال الجمع بين بنى آلات بولتزمان المتفرقة وأجهزة البتات الاحتمالية (p-bit)، أثبت المؤلفون:

القابلية للتوسع: القدرة على محاكة الأنظمة الكمومية حتى 6,400 سبين، متجاوزة حدود تطبيقات NQS الحالية القائمة على الـ CPU والـ GPU.
العمق البنيوي: يتيح تقديم أخذ العينات المزدوج تدريب النماذج العميقة والمتفرقة، والتي توفر كفاءة أفضل في المعلمات وقدرة على تمثيل الارتباطات المعقدة (مثل تشابك قانون الحجم) التي لا تستطيع الشبكات الضحلة تمثيلها.
المسار المستقبلي: يضع هذا العمل الحوسبة الاحتمالية كمسار قابل للتوسع للمحاكاة الكلاسيكية للمادة الكمومية. ويشير المؤلفون إلى أنه مع نضوج بنى البتات الاحتمالية من نماذج أولية على FPGA إلى دوائر CMOS مخصصة، فإن المزيد من التكامل لأخذ العينات وتقييم الطاقة المحلية وتجميع التدرجات على شريحة واحدة يمكن أن يقلل زمن الاستجابة واستهلاك الطاقة بعدة مراتب، مما يجعل VMC عمليًا للأنظمة الكمومية الأكبر بكثير مما يمكن الوصول إليه اليوم.

يظل المؤلفون متواضعين فيما يتعلق بالأنظمة غير الستوكاستية (non-stoquastic)، مشيرين إلى أن توسيع النهج ليشمل الأنظمة ذات البنى غير التافهة سيتطلب معلمات معقدة أو شبكات طورية، وهو ما يتجاوز النطاق الحالي. وبالمثل، بينما تمت معالة اختناق أخذ العينات، تظل تكلفة التدريب الإجمالية خطية في حجم النظام بسبب تحديثات إعادة التشكيل الستوكاستي التي تتم في المضيف، وهو ما حددوه كهدف لتسريع الأجهزة في المستقبل.