Scalable Preparation of Matrix Product States with Sequential and Brick Wall Quantum Circuits

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التحضير القابل للتوسع لحالات ناتج ضرب المصفوفات باستخدام الدوائر الكمومية المتتالية وجدار الطوب".

1. بيان المشكلة

يعد تحضير الحالات الكمومية التعسفية على الأجهزة الكمومية المتاحة حالياً (Near-term devices) تحدياً جوهرياً، لأن ذلك يتطلب عموماً موارد تتوسع أسياً مع عدد الكيوبتات ($O(2^N)$). وبينما توفر حالات ناتج ضرب المصفوفات (MPS) وسيلة لتمثيل الحالات ذات الصلة فيزيائياً (تلك التي تمتلك تشابكاً محدوداً) بكفاءة، إلا أن تحضيرها كدوائر كمومية يظل أمراً صعباً.

تعاني النهج الحالية من مقايضات محددة:

• الطرق الاستدلالية (مثل SMPD و BMPD): هي طرق حتمية ويمكن محاكاتها كلاسيكياً، لكنها غالباً ما تعاني من تشبع سريع في الدقة (Fidelity) مع زيادة عدد طبقات الدائرة.
• التحسين التبايني (مثل Evenbly-Vidal و Riemannian): يمكن لهذه الطرق تحقيق دقة عالية، لكنها تتوسع بشكل سيئ مع حجم النظام بسبب "الهضاب القاحلة" (Barren Plateaus - تلاشي التدرجات) والتعقيد الحسابي العالي عند البدء بتهيئات عشوائية.

تعالج هذه الورقة الحاجة إلى إطار عمل موحد وقابل للتوسع يجمع بين الكفاءة الحتمية للطرق الاستدلالية والتحسين عالي الدقة للتحسين التبايني، مستهدفاً تحديداً أنظمة تتراوح بين 19 إلى 50 كيوبت.

2. المنهجية: خط إنتاج QSP

يقترح المؤلفون خط إنتاج موحداً (موضح في الشكل 1 من الورقة) يتكون من أربع مراحل رئيسية:

الخطوة 1: الضغط إلى MPS

يتم تحويل الحالات المستهدفة (سواء كانت حالات أرضية فيزيائية أو مجموعات بيانات كلاسيكية مشفرة كسعات احتمالية) إلى تمثيل MPS.

• الطرق: تفكيك القيم المفردة القياسي (SVD) أو استكمال تداخل التنسور المتقاطع (TCI).
• الكفاءة: يسمح TCI ببناء الـ MPS باستخدام $O(N\chi^2)$ فقط من الاستعلامات لسعات الاحتمالية، مما يتجنب الحاجة لتحميل جميع قيم $2^N$ في الذاكرة.

الخطوة 2: إعادة ترتيب الكيوبتات

يتم إعادة ترتيب الكيوبتات لتقليل عمق الدائرة وأبعاد الروابط (Bond Dimensions)، وذلك بوضع الأزواج شديدة الارتباط بجانب بعضها البعض في سلسلة الـ MPS.

• المقياس: يتم حساب المعلومات المتبادلة الكمومية (QMI) بين جميع أزواج الكيوبتات.
• التحسين: تُصاغ مشكلة إعادة الترتيب كمسألة تخصيص تربيعي (QAP)، وهي مسألة تحسين توافقية صعبة (NP-hard). يستخدم المؤلفون حلولاً استدلالية (Fast Approximate QAP و 2-opt) لإيجاد التبديل الأمثل.

الخطوة 3: التهيئة الاستدلالية (البداية الدافئة)

يُستخدم الـ MPS المعاد ترتيبه لبناء دائرة كمومية أولية باستخدام بنيتين مختلفتين لفك التشابك (Disentangler):

• مفكك ناتج ضرب المصفوفات المتتالي (SMPD): بنية تشبه السلم. يستخدم المؤلفون ثلاثة "تحسينات":
  1. تفكيك التماثل (Isometry Decomposition): تقليل الوحدات ثنائية الكيوبت إلى 2 CNOT (بدلاً من 3) عبر استغلال البنية المحددة للبوابات.
  2. تقليم البوابات (Gate Pruning): إزالة بوابات الجسم-2 على الروابط التي تم فك تشابكها بالفعل (رتبة-1).
  3. القياس المختلط (Mixed Canonical Gauge): استخدام قياس مختلط لتقليل عمق الدائرة بنسبة تصل إلى 50% مقارنة بالأشكال القياسية اليسرى أو اليمنى.
• مفكك ناتج ضرب المصفوفات بجدار الطوب (BMPD): بنية جدار الطوب القائمة على قياس $\Gamma$-$\Lambda$. تقوم بتحسين الوحدات المحلية لتقليل إنتروبيا ريني (Rényi entropy) طبقة تلو الأخرى، مما يضمن الحفاظ على شكل الـ MPS أثناء المحاكاة الكلاسيكية.

الخطوة 4: التحسين التبايني (Variational Optimization)

تعمل الدوائر الاستدلالية كـ "بداية دافئة" للتحسين التبايني لصقل دقة الحالة.

• الخوارزميات:
  • Evenbly-Vidal (EV): تقوم بالمسح عبر البوابات، وتحسين بوابة واحدة في كل مرة باستخدام SVD لـ "تنسور البيئة". وهي تحافظ على بنية الـ MPS، مما يسمح بدورات عميقة.
  • التحسين الريماني (Riemannian Optimization): يقوم بتحسين عناصر المصفوفة للوحدات مباشرة على المتشعب الوحدوي (Unitary Manifold) باستخدام خوارزمية التدرج (Adam optimizer). وهو محسن عالمي ولكنه مكلف حسابياً للدوائر العميقة بسبب تكاليف تقليص التنسور.
• الاستراتيجية: يدعم خط الإنتاج كلاً من "التحسين لمرة واحدة" (تحسين الدائرة المبنية بالكامل) و"التحسين المتداخل" (إضافة طبقة، ثم التحسين، ثم إضافة طبقة، وهكذا).

3. المساهمات الرئيسية

1. إطار عمل شامل (End-to-End): أول خط إنتاج متكامل يجمع بين الاستدلالات المتتالية (SMPD) وجدار الطوب (BMPD) مع محسنات EV و Riemannian لتحضير الـ MPS.
2. إعادة ترتيب الكيوبت عبر QAP: ربط دقيق لمشكلة إعادة ترتيب الكيوبت بمسألة التخصيص التربيعي (QAP)، باستخدام QMI لتقليل إنتروبيا التشابك عبر الروابط.
3. دحض التوسع الأسي في SMPD: يتحدى المؤلفون النتائج السابقة (المرجع [29]) التي تشير إلى أن SMPD يتطلب بعد ارتباط ضخم جداً ($\tilde{\chi} \sim O(2^L)$) لـ $L$ من الطبقات. وقد أثبتوا أن $\tilde{\chi} \sim O(\chi)$ (حيث $\chi$ هو بعد الارتباط المستهدف) كافٍ، مما يجعل دوائر SMPD العميقة قابلة للمحاكاة كلاسيكياً.
4. تقليل عدد البوابات والعمق: تنفيذ تحسينات محددة (تفكيك التماثل، القياس المختلط) التي قللت عدد بوابات CNOT بنسبة ~33% وقللت عمق الدائرة بنسبة تصل إلى 50%.
5. الاختبار على بيانات حقيقية: التقييم على أربع مجموعات بيانات متنوعة:
   • توزيعات غاوس وليفي (دوال سلسة).
   • جاذب لورنز (سلاسل زمنية فوضوية).
   • أسعار أسهم S&P 500 (سلاسل زمنية مالية).

4. النتائج

• البيانات الكلاسيكية: نجح خط الإنتاج في تحضير حالات تتراوح بين 19 إلى 50 كيوبت، مع عدم دقة (Infidelities) تراوح بين $10^{-7}$ (غاوس) و $10^{-2}$ (للبيانات المعقدة مثل S&P 500).
• SMPD مقابل BMPD:
  • يحقق SMPD عموماً عدد بوابات CNOT أقل وهو متفوق للحالات البسيطة (غاوس، ليفي).
  • يحقق BMPD عموماً عمق دائرة CNOT أقل، مما يجعله مفضلاً للدوائر العميقة والحالات المعقدة (لورنز، S&P 500).
• أداء التحسين:
  • تفوق Evenbly-Vidal (EV) على التحسين الريماني من حيث الدقة النهائية للدوائر العميقة. يمكن لـ EV التعامل مع ما يصل إلى $L=200$ طبقة لأنه يحافظ على بنية الـ MPS، بينما يقتصر التحسين الريماني على $L \approx 10-15$ طبقة بسبب النمو الأسي في ذاكرة تقليص التنسور.
• البدايات الدافئة (Warm Starts): ساهم بدء التحسين التبايني بالدوائر الاستدلالية في التخفيف بشكل كبير من الهضاب القاحلة وتسريع التقارب.
• إعادة ترتيب الكيوبت:
  • بالنسبة لتوزيعات غاوس وليفي، كان الترتيب القياسي مثالياً بالفعل.
  • بالنسبة لـ مجموعة بيانات S&P 500، قللت إعادة الترتيب من دالة التكلفة بنسبة ~28% وقللت أقصى تشابك للروابط بنسبة تصل إلى 20%، رغم أن التأثير على دقة تحضير الحالة النهائية كان طفيفاً لهذه المجموعة تحديداً.
• التحسينات: أدى تفكيك التماثلات إلى 2 CNOT (بدلاً من 3) إلى تقليل عدد البوابات دون التضحية بالدقة، وهو أمر مفيد بشكل خاص للدوائر الضحلة.

5. الأهمية والخلاصة

يوفر هذا العمل بروتوكولاً مبدئياً وقابلاً للتوسع لتحضير حالات ناتج ضرب المصفوفات على الأجهزة الكمومية المتاحة حالياً (NISQ). ومن خلال سد الفجوة بين البناءات الاستدلالية الحتمية والتحسين التبايني، أثبت المؤلفون أن تحضير الحالات عالية الدقة أمر ممكن للأنظمة التي تتجاوز 50 كيوبت، بشرما تم إدارة بنية التشابك بشكل صحيح.

تشير النتائج إلى أن:

1. النهج الهجين ضروري: توفر الطرق الاستدلالية "بداية دافئة" ضرورية لتجنب الهضاب القاحلة.
2. اختيار البنية مهم: SMPD أفضل للأجهزة المقيدة بعدد البوابات، بينما BMPD أفضل للأجهزة المقيدة بالعمق.
3. القابلية للمحاكة الكلاسيكية: دوائر فك التشابك العميقة هي أكثر قابلية للمحاكة كلاسيكياً مما كان يُعتقد سابقاً، مما يسمح بالتحقق القوي قبل النشر على الأجهزة الكمومية.

يدعم هذا الإطار تطبيقات واسعة النطاق في الكيمياء الكمومية، والتحسين، والتعلم الآلي، حيث يعد التحضير الفعال للحالات شرطاً مسبقاً لتحقيق التفوق الكمي.