⚛️ quantum physics

Machine learning of quantum data using optimal similarity measurements

يستعرض المؤلفون بروتوكولاً كفؤًا من حيث العتاد ومثاليًا من حيث العينة لتقدير تداخل الحالة الكمومية باستخدام التداخل البوزوني على معالج فوتوني متكامل، مما يتيح مهام تعلم آلي كمومي قابلة للتوسع ودقيقة مثل التصنيف والتعلم عبر الإنترنت دون الحاجة إلى توصيف فردي مكلف للحالة.

المؤلفون الأصليون: Zhenghao Li, Hao Zhan, Shana H. Winston, Ewan Mer, Zhenghao Yin, Shang Yu, Yazeed K. Alwehaibi, Gerard J. Machado, Dayne Marcus Lopena, Lijian Zhang, M. S. Kim, Aonan Zhang, Ian A. Walmsley, Raj B. Pa

نُشر 2026-03-02

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Zhenghao Li, Hao Zhan, Shana H. Winston, Ewan Mer, Zhenghao Yin, Shang Yu, Yazeed K. Alwehaibi, Gerard J. Machado, Dayne Marcus Lopena, Lijian Zhang, M. S. Kim, Aonan Zhang, Ian A. Walmsley, Raj B. Patel

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

الفكرة الكبرى: مقارنة الصور الكمومية دون الحاجة لتطويرها

تخيل أن لديك مظروفين غامضين ومغلقين. داخل كل مظروف يوجد هولوغرام ثلاثي الأبعاد معقد (حالة كمومية). تريد أن تعرف: ما مدى تشابه هذين الهولوغرامين؟

في العالم الكلاسيكي (واقعنا اليومي)، لمقارنتهما، سيتعين عليك:

فتح المظروف (أ).
تفكيكه، وقياس كل قطعة فيه، وبناء نموذج ثلاثي الأبعاد كامل له.
القيام بنفس الشيء تماماً للمظروف (ب).
وأخيراً، استخدام جهاز كمبيوتر لمقارنة النموذجين.

هذه العملية بطيئة، ومكلفة، وتدمر الهولوغرامات أثناء القيام بها. في العالم الكمومي، تسمى عملية "التفكيك" هذه التوصيف (Characterization)، وهي تزداد صعوبة بشكل أسّي كلما أصبحت الهولوغرامات أكثر تعقيداً.

تقدم هذه الورقة البحثية خدعة سحرية: بدلاً من فتح المظروفات، تقوم ببساطة بسحبها بجانب بعضها البعض على طاولة خاصة. إذا كانا متشابهين، فإنهما "يرقصان" معاً بطريقة معينة. وإذا كانا مختلفين، فسوف يرقصان بشكل مختلف. ومن خلال مراقبة الرقصة، ستعرف فوراً مدى تشابههما، دون الحاجة لفتح المظروفات أو تدمير الهولوغرامات.

المشكلة: "لعنة الأبعاد"

يوضح المؤلفون أنه كلما تحسنت الحواسيب والمستشعرات الكمومية، أنتجت كميات هائلة من البيانات. محاولة "قراءة" هذه البيانات بشكل فردي تشبه محاولة عد كل حبة رمل على الشاطئ لمعرفة ما إذا كان شاطئان لهما نفس الحجم. إن الأمر يستغرق وقتاً طويلاً ويتطلب موارد ضخمة.

الأساليب الحالية لمقارنة البيانات الكمومية تشبه محاولة حل لغز عبر النظر إلى قطعة واحدة في كل مرة. وكلما زاد عدد القطع (الأبعاد)، زاد الوقت المطلوب.

الحل: "ساحة رقص الكم"

قام الفريق، الذي يعمل في إمبريال كوليدج لندن وأكسفورد، ببناء آلة تسمى Prakash-1. فكر في هذه الآلة كأنها ساحة رقص متطورة للغاية وقابلة للبرمجة مصنوعة من الضوء (الفوتونات).

إليك كيف تعمل طريقتهم:

الراقصون (البيانات): يقومون بإعداد "راقصين" (حالات كمومية). هذه ليست مجرد نقاط بسيطة؛ بل هي موجات معقدة من الضوء تتحرك عبر 10 مسارات مختلفة على شريحة.
المرآة (مقسم الشعاع): يرسلون هذين الراقصين نحو مرآة خاصة (مقسم شعاع) تقوم بخلطهما معاً.
الرقصة (التداخل): عندما تلتقي موجتا الضوء، تتداخلان مع بعضهما البعض.
- إذا كان الراقصان متطابقين، فإنهما يتحركان في تزامن تام، مما يخلق نمطاً معيناً من الضوء.
- إذا كانا مختلفين، يتغير النمط.
الجمهور (الكواشف): في نهاية ساحة الرقص، تقوم الكواشف بعدّ الضوء. هي لا تعد كيف تحرك الراقصون بشكل فردي؛ بل تعد فقط النمط الإجمالي للحشد.
- تشبيه: تخيل شخصين يصفقان. إذا صفقا بتزامن مثالي، سيكون الصوت عالياً وإيقاعياً. أما إذا كانا غير متزامنين، فسيكون الصوت فوضوياً. لست بحاجة لتسجيل حركات أيديهما الفردية لتعرف أنهما غير متزامنين؛ أنت فقط تستمع إلى النتيجة.

لماذا يعد هذا تغييراً جذرياً في قواعد اللعبة؟

أثبتت الورقة البحثية شيئين ضخمين:

إنها الطريقة الأسرع الممكنة (مثالية العينات):
أثبت المؤلفون رياضياً أن طريقتهم تستخدم الحد الأدنى المطلق من عدد "المحاولات" (العينات) اللازمة للحصول على إجابة دقيقة. لا توجد طريقة أخرى، مهما كانت متطورة، يمكنها التفوق على هذه السرعة. إنه يشبه العثور على أقصر طريق عبر متاهة؛ لقد وجدوا المسار الذي لا يمكن لأحد غيرهم تجاوزه.
لا تهتم بحجم البيانات (قابلة للتوسع):
عادةً، إذا ضاعفت حجم البيانات، فإن الوقت المستغرق لمقارنتها يتضاعف (أو أكثر من ذلك). مع هذه الطريقة الجديدة، يبقى الوقت المستغرق ثابتاً، سواء كنت تقارن بيانات صغيرة أو بيانات ضخمة وعالية الأبعاد. إنه يشبه امتلاك مسطرة تقيس حبة رمل وجبلاً بنفس الجهد تماماً.

اختبارات من العالم الحقيقي: تعليم "دماغ كمومي"

لإثبات أن هذا لم يكن مجرد نظرية، استخدموا آلتهم لتعليم كمبيوتر كيف "يفكر" مثل البشر. أجروا اختبارين:

الاختبار 1: لعبة التصنيف (Sorting Game):
أعطوا الآلة مجموعتين من البيانات الكمومية (مثل كرات رخامية حمراء وزرقاء، لكنها مصنوعة من الضوء). كان على الآلة تعلم تصنيف الكرات الجديدة في المجموعة الصحيحة.
- النتيجة: نجحت في التصنيف بنسبة تتراوح بين 98% إلى 100%، حتى مع وجود بيانات "مشوشة" (غير مثالية).
الاختبار 2: لعبة التقليد (Online Learning):
أظهروا للآلة نمطاً "هدفاً" وطلبوا منها تعديل إعداداتها الخاصة لتطابقه تماماً، خطوة بخطوة.
- النتيجة: تعلمت الآلة النمط المستهدف بدقة 98.3%، وأصبحت تتحسن مع كل محاولة، رغم أن الهدف كان يتغير قليلاً بسبب الضجيج.

الصورة الكبيرة: لماذا يجب أن نهتم؟

نحن نتحرك نحو مستقبل تُرسل فيه البيانات كضوء عبر الشبكات الكمومية (مثل إنترنت فائق التطور). في هذا المستقبل، لن نتمكن من "تحميل" البيانات إلى أجهزة الكمبيوتر الخاصة بنا لتحليلها؛ بل يجب علينا تحليلها وهي لا تزال داخل الشبكة.

توفر هذه الورقة البحثية الأداة الأساسية لذلك المستقبل. فهي تمنحنا وسيلة لمقارنة وفرز وتعلم البيانات الكمومية مباشرة، دون الحاجة لإبطاء كل شيء من أجل "قراءتها" أولاً.

باخصار: صنع المؤلفون "كاشف تشابه كمومي" أسرع وأرخص وأكثر كفاءة من أي شيء امتلكناه من قبل. إنه يسمح لنا بمقارنة الأجسام الكمومية المعقدة فوراً، مما يمهد الطريق لذكاء اصطناعي كمومي قوي يمكنه التعلم من عالم الضوء.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تعلم الآلة من البيانات الكمومية باستخدام قياسات التشابه المثلى."

1. بيان المشكلة

يهدف تعلم الآلة الكمومي (QML) إلى الاستفادة من الحالات الكمومية لمعالجة البيانات مع إمكانية تحقيق مزايا تفوق الطرق الكلاسيكية. وتعد عملية تقييم التشابه (أو التداخل) بين حالتين كموميتين، والمعرّفة بـ $|\langle \psi_A | \psi_B \rangle|^2$ ، عملية أساسية في هذا المجال. يعمل هذا المقياس كدالة نواة (kernel function) في المصنفات الكمومية ودالة تكلفة في تدريب النماذج الكمومية.

ومع ذلك، يوجد عائق حرج يتمثل في:

الاستعصاء الكلاسيكي: يتطلب تحديد تداخل الحالات الكمومية المجهولة عادةً إعادة بناء طوبولوجي كامل للحالات الفردية، وهو أمر يتوسع أسياً مع أبعاد النظام (عدد الأنماط أو الفوتونات).
القيود الموزعة: في الشبكات الكمومية حيث تُنقل البيانات كحالات كمومية (مثل المستشعرات أو المحاكيات)، غالباً لا يستطيع الأطراف مشاركة نسخ من الحالات. كما تعاني الاستراتيجيات الموزعة التي تعتمد على القياسات المحلية والاتصال الكلاسيكي من تعقيد عينات أسي للحالات عالية الأبعاد.
الأعباء على الأجهزة: تتطلب الطرق الحالية غالباً دوائر كمومية عميقة أو بروتوكولات مدعومة بالتشابك يصعب توسيع نطاقها تجريبياً.

تعالج الورقة الحاجة إلى بروتوكول أمثل في العينات وفعال من حيث الأجهزة لتقدير تداخل الحالة الكمومية مباشرة، دون الحاجة لتوصيف الحالات الفردية، وذلك لتمكين تعلم الآلة الكمومي القابل للتوسع.

2. المنهجية

يقترح المؤلفون ويتحققون تجريبياً من بروتوكول يعتمد على التداخل البوزوني وقراءة تماثل عدد الفوتونات.

الإطار النظري

استراتيجية القياس المشترك: بدلاً من قياس الحالات بشكل فردي (موزع) أو استخدام قياسات عالمية على $2N$ من النسخ، يقوم البروتوكول بإحداث تداخل لنسخة واحدة من الحالة $\hat{\rho}^{(A)}$ ونسخة واحدة من الحالة $\hat{\rho}^{(B)}$ على مجموعة من مقسمات الأشعة المتوازنة (BS).
قراءة التماثل (Parity Readout): يتم قياس أنماط المخرجات لأحد السجلات باستخدام كواشف دقيقة لعدد الفوتونات (PNRDs) لتحديد إجمالي تماثل عدد الفوتونات ( $\hat{\Pi} = (-1)^{\sum \hat{n}_i}$ ).
الاشتقاق الرياضي: يتم اشتقاق تداخل الأثر (trace overlap) كالتالي:
$\text{Tr}[\hat{\rho}^{(A)}\hat{\rho}^{(B)}] = \text{Tr}^{(B)} \left[ \text{Tr}^{(A)} \left( \hat{U}_{BS}^\dagger \hat{\rho}^{(A)} \hat{\rho}^{(B)} \hat{U}_{BS} \right) \hat{\Pi} \right]$
هذه العلاقة صالحة للحالات المختلطة التعسفية، وتتقلص إلى حاصل الضرب الداخلي المربع للحالات النقية.
تعقيد العينات: أثبت المؤلفون (النظرية 1) أن عدد العينات $N$ المطلوبة لتقدير التداخل ضمن خطأ مضاف $\epsilon$ يتناسب مع $O(\epsilon^{-2})$ . ومن الأهمية بمكان أن هذا التناسب مستقل عن بُعد فضاء هيلبرت، أو عدد الأنماط، أو عدد الفوتونات.
المثالية: باستخدام حد هيلمستروم (Helstrom's bound)، أثبتوا (النظرية 2) أن هذا التناسب $O(\epsilon^{-2})$ هو الأمثل معلوماتياً (باستثناء عامل ثابت)، حتى عند مقارنته بالقياسات العالمية المعقدة. وفي المقابل، تعاني الاستراتيجيات الموزعة للحالات عالية الأبعاد عموماً من تكاليف أسية.

التنفيذ التجريبي

المنصة: أُجريت التجربة على Prakash-1، وهو معالج كمومي فوتوني متكامل قابل للبرمجة بالكامل يعتمد على شريحة من نيتريد السيليكون (Si $_3$ N $_4$ ).
تحضير الحالة:
- المصدر: يولد التحويل الهابط التلقائي لبارامترات (SPDC) أزواجاً من الفوتونات غير المتمايزة عند طول موجي 1550 نانومتر.
- الترميز: يتم ترميز الفوتونات في حالات كوديت (qudit) (تراكبات مكانية عبر 4 أنماط) مع أطوار نسبية قابلة للضبط.
- الدائرة: تقوم شبكة $10 \times 10$ من مُزيحات الطور الحرارية بتنفيذ بصريات خطية شاملة. تقوم الدائرة بتوجيه الكوديتين إلى نمط تداخل محدد (مقسمات أشعة متوازنة) وتوجيه المخرجات إلى 8 كواشف فوتونات منفردة من نوع الأسلاك النانوية الفائقة (SNSPDs).
القياس: بما أن الكواشف ليست دقيقة في تحديد عدد الفوتونات، تستخدم التجربة الكشف عن المصادفة (coincidence detection) بين أنماط مخرجات محددة. بالنسبة لمدخلات الفوتون الواحد، فإن حدث التماثل الفردي في أحد السجلات يتوافق مع مصادفة بين السجلين، مما يسمح بتقدير التداخل كـ $1 - 2P_{\text{odd}}$ .

3. المساهمات الرئيسية

بروتوكول أمثل في العينات: تم إثبات مخطط قياس يحقق الحد الأدنى النظري لتقدير التداخل ( $O(\epsilon^{-2})$ ) بغض النظر عن بُعد النظام.
كفاءة الأجهزة: يتطلب البروتوكول فقط بصريات خطية (مقسمات أشعة) وقياسات التماثل، متجنباً الحاجة إلى دوائر يونيتارية عميقة أو كيوتبتات مساعدة (ancilla qubits).
القابلية للتوسع: لا يتزايد تعقيد العينات مع عدد الأنماط أو الفوتونات، مما يجعله مناسباً للبيانات الكمومية عالية الأبعاد (حالات المتغيرات المنفصلة والمتغيرات المستمرة).
التحقق التجريبي: تم تنفيذ المخطط بنجاح على معالج فوتوني من الفئة المتوسطة المشوبة بالضجيج (Prakash-1) مع تخفيف ضجيج التداخل الحراري.

4. النتائج

أظهر المؤلفون فائدة قياس التداخل في مهمتين من مهام تعلم الآلة الكمومي (QML):

تصنيف البيانات الكمومية (التعلم الخاضع للإشراف):
- المهمة: تصنيف ثنائي لمجموعات البيانات الكمومية باستخدام آلة ناقلات الدعم (SVM) مع نواة كمومية.
- مجموعات البيانات: ثلاثة أنواع من حالات الكوديت المرمزة بـ 3 بارامترات: قابلة للفصل خطياً، كرات مركزية، وعناقيد متداخلة جزئياً.
- الأداء: حققت دقة اختبار بلغت 100% (للحالات القابلة للفصل خطياً)، و98.47% (للكرات المركزية)، و91.65% (للعناقيد المتداخلة). نجحت النواة الكمومية في فصل البيانات التي لم تكن قابلة للفصل خطياً في فضاء البارامترات الأصلي.
التعلم عبر الإنترنت (غير الخاضع للإشراف/التوليدي):
- المهمة: تدريب نموذج كمومي معلم ببارامترات لتقريب حالة مستهدفة مجهولة باستخدام طريقة التقريب العشوائي للاضطراب المتزامن (SPSA).
- الإعداد: كانت الحالة المستهدفة عبارة عن كوديت عشوائي مبدئي مشوب بالضجيج. يقوم النموذج بتحديث أطواره تكرارياً لتقليل عدم التطابق (infidelity) ( $1 - |\langle \psi_{target} | \psi_{model} \rangle|^2$ ).
- الأداء: تقاربت الخوارزمية بشكل موثوق خلال 500 تكرار، محققة متوسط عدم تطابق نهائي قدره $1.7 \times 10^{-2}$ (أي دقة 98.3%). أثبتت الطريقة متانتها ضد ضجيج التداخل الحراري وضجيج الفوتونات، حتى مع عدد عينات منخفض ( $N=100$ ) لكل تكرار.

5. الأهمية والآفاق المستقبلية

مسار قابل للتوسع لتعلم الآلة الكمومي: يضع هذا العمل قياس التداخل المشترك كبنة بناء عملية وقابلة للتوسع لتعلم الآلة الكمومي، خاصة للشبكات الكمومية المستقبلية حيث تكون البيانات كمومية بطبيعتها.
تجاوز التوصيف: يثبت العمل أنه يمكن استخراج المعلومات العلاقاتية (التشابه) بكفاءة دون الخطوة المكلفة المتمثلة في التوصيف الكامل للحالة (tomography).
طبيعة الأجهزة: النهج أصيل للمنصات الفوتونية، والتي تعد مثالية للشبكات الكمومية نظراً لانخفاض فك الترابط (decoherence) والتوافق مع اتصالات الألياف الضوئية.
الاتجاهات المستقبلية: يقترح المؤلفون توسيع التداخل ليشمل تفاعلات متعددة الحالات للوصول إلى دالات غير خطية من رتب عليا (تشبه آلية الانتباه متعددة الأجسام في نماذج Transformer) وتطبيق الطريقة على حالات غير غاوسية ومتشابكة للغاية يصعب معالجتها كلاسيكياً.

باختصار، تقدم الورقة برهاناً نظرياً صارماً وعرضاً تجريبياً قوياً على أن التداخل البوزوني يوفر طريقة مثلى ومستقلة عن الأبعاد لقياس التشابه الكمومي، مما يحل عائقاً حرجاً أمام تعلم الآلة الكمومي القابل للتوسع.