Resource-Efficient Digitized Adiabatic Quantum Factorization

ملخص تقني: تحليل عوامل الأعداد عبر الحوسبة الكمومية الأديباتية الرقمية الموفرة للموارد

بيان المشكلة
يتناول البحث تحدي تنفيذ عملية تحليل العوامل الكمومية الأديباتية (Adiabatic Quantum Factorization) بكفاءة على الحواسيب الكمومية الرقمية (المعتمدة على البوابات). تعالج الطرق القياسية، مثل الطريقة التي اقترحها بينغ وآخرون [1]، مسألة تحليل العوامل كعملية بحث عن الحالة الأرضية (Ground State) لدالة هاميلتوني (Hamiltonian) مشتقة من دالة تحسين ثنائي الخيارات متعددة الحدود غير المقيدة (PUBO). تؤدي هذه الصياغة إلى إنتاج هاميلتوني يحتوي على حدود تفاعل غير محلية تتكون من ثلاثة أو أربعة كيوبتات ($Z^3$ و $Z^4$). وفي الأجهزة الرقمية، تتطلب هذه التفاعلات عالية الرتبة تفكيكها إلى بوابات متعددة مكونة من كيوبت-اثنين (مثل CNOT)، مما يؤدي إلى دوائر عميقة ذات عدد كبير من البوابات. هذا التعقيد يحد بشدة من دقة وقابلية توسع الخوارزمية، حيث تنخفض احتمالات النجاح بشكل حاد للأعداد الأكبر من 91، حتى عند استخدام تقنيات التعلم الآلي.

المنهجية
يقترح المؤلفون خوارزمية أديباتية رقمية مبتكرة تعيد صياغة مسألة تحليل العوامل باستخدام إطار عمل التحسين الثنائي التربيعي غير المقيد (QUBO). ويتمثل التحول المنهجي الجوهري في تغييرين رئيسيين:

1. ترميز الفضاء الجزئي للنواة (Kernel Subspace Encoding): بدلاً من ترميز الحل كحالة أرضية (أدنى طاقة صفرية) لدالة مربعة $F^2$، يعرّف المؤلفون هاميلتوني المسألة $\hat{H}_{LP}$ كالدالة الخطية $F(N, \hat{p}', \hat{q}')$ نفسها. في هذه الصياغة، يمثل الحل حالة الطاقة الصفرية (النواة/Kernel) للهاميلتوني، وهي حالة مثارة بالنسبة للطيف العالمي، وليست الحالة الأرضية.
2. صياغة QUBO: من خلال استخدام الدالة الخطية، يحتوي الهاميلتوني الناتج على تفاعلات ثنائية الجسم فقط، مما يصنفها كمسألة QUBO. وهذا يلغي الحاجة إلى عمليات الاختزال متعددة الحدود المعقدة (NP-hard) والمتغيرات المساعدة التي تتطلبها عادةً صياغات الـ PUBO لتحويلها إلى QUBO.

تُنفذ الخوارزمية باستخدام خوارزمية كمومية متغيرة (تحديداً QAOA). يقوم البروتوكول بتهيئة النظام في حالة تراكب منتظم (تحديداً $|+\rangle|-\rangle\dots$ لتتوافق مع الفضاء الصفري لـ $\hat{H}_{LP}$) ثم تطوره باستخدام وحدات دورية مشتقة من هاميلتوني التكلفة ($\hat{H}_{LP}$) وهاميلتوني الخلط ($\hat{H}_M$). وتُعرف دالة التكلفة التي يتم تقليلها بواسطة المحسنات الكلاسيكية بأنها القيمة المتوقعة للقيمة المطلقة للهاميلتوني، $C_{LP} = \langle |\hat{H}_{LP}| \rangle$، لضمان التقارب نحو حل القيمة الذاتية الصفرية.

المساهمات الرئيسية

• تبسيط الدائرة: تقلل نهج QUBO المقترح من هاميلتوني المسألة إلى تفاعلات ثنائية الجسم. وهذا يلغي الحاجة إلى تفكيك بوابات الكيوبتات المتعددة المعقدة، مما يقلل بشكل كبير من عمق الدائرة.
• استراتيجية ترميز جديدة: يثبت البحث أن تحليل العوامل الأديباتي يمكن تنفيذه بنجاح عبر استهداف الفضاء الجزئي للنواة (الحالة المثارة ذات الطاقة الصفرية) بدلاً من الحالة الأرضية، مما يتجاوز قيود صياغات الـ PUBO.
• تحليل المتانة: يحلل المؤلفون كثافة الطيف للهاميلتونيات، موضحين أن صياغة QUBO توفر كثافة حالات أكثر تشتتاً حول فضاء الحل مقارنة بصياغة PUBO، مما يساعد في تجنب النهايات الصغرى المحلية والمنصات القاحلة (Barren Plateaus) أثناء التحسين.

النتائج
قام المؤلفون باختبار خوارزمية QUBO الخاصة بهم مقابل نهج PUBO القياسي لتحليل عوامل الأعداد حتى 8 بت (تحديداً $N=25, 119, 143$).

• تعقيد البوابات: بالنسبة لطبقة واحدة من دائرة QAOA، تتطلب طريقة QUBO عدداً أقل بكثير من بوابات CNOT. على سبيل المثال، يتطلب تحليل $N=25$ نحو 8 بوابات CNOT لكل طبقة في طريقة QUBO، مقارنة بـ 34 بوابة CNOT في طريقة PUBO (بعد تفكيك بوابات الـ 3 والـ 4 كيوبت).
• الدقة والثقة: تُظهر خوارزمية QUBO دقة أعلى بكثير في تحديد العوامل الصحيحة. بالنسبة للأعداد الأكبر مثل $N=119$ و $N=143$، تفشل طريقة PUBO في تركيز سعة الاحتمال على الحل الصحيح، مما يؤدي إلى درجات ثقة منخفضة وإنتروبيا شانون عالية. في المقابل، تنجح طريقة QUBO في ملء حالات الحل الصحيحة.
• تقارب دالة التكلفة: تحقق خوارزمية QUOBA تقليلاً أعمق في دالة التكلفة (يصل إلى 3 مراتب عشرية لـ $N=143$) مقارنة بنهج PUBO (يصل إلى مرتبتين عشريتين)، مما يشير إلى تحسين أكثر فعالية.
• التحليل الطيفي: يكشف تحليل أطياف الطاقة أن هاميلتوني PUBO يمتلك كثافة عالية من الحالات بالقرب من الحل، مما يخلق مشهداً "مسطحاً" يعيق المحسنات الكلاسيكية. بينما يُظهر هاميلتوني QUBO طيفاً أكثر تشتتاً مع فجوات طاقة أكبر بالقرب من فضاء النواة، مما يسهد عملية تحضير الحالة.

الأهمية والادعاءات
يزعم البحث أن هذا العمل يوفر مساراً موفراً للموارد للتحليل الأديباتي الرقمي للعوامل. تكمن الأهمية الأساسية في التخفيض الجوهري لتعقيد الدائرة وما يتبع ذلك من زيادة في دقة الخوارزمية، مما يجعل تحليل العوامل للأعداد الأكبر ممكناً على الأجهزة المتاحة حالياً.

يؤكد المؤلفون أنه بينما يعد استهداف حالة مثارة (النواة) أمراً صعباً بالنسبة للملدنات الكمومية (Quantum Annealers) بسبب غياب حماية الحالة الأرضية من فك الترابط، إلا أنه ميزة للأجهزة الأديباتية الرقمية. في الأنظمة المعتمدة على البوابات، حيث غالباً ما يحكم فك الترابط اضمحلال الكيوبت المنفرد الموضعي، يقلل عدد البوابات الأقل في نهج QUBO من وقت التشغيل الإجمالي ومن التعرض للأخطاء. تشير النتائج إلى أن صياغات QUBO يمكن أن تتفوق على صياغات PUBO في تحسين QAOA، مما يتحدى الأدبيات السابقة التي افترضت أن PUBO ضروري أو متفوق لبعض هياكل المسائل. يحفز هذا العمل المزيد من الاستكشاف للبروتوكولات الأديباتية الرقمية لمسائل نظرية الأعداد الأكثر تعقيداً والهاميلتونيات المعقدة.