⚛️ quantum physics

Neural network approach to mitigating intra-gate crosstalk in superconducting CZ gates

تقدم هذه الورقة إطار عمل للتحكم العصبي الموجه بالفيزياء (PGNC) يقوم بتوليد نبضات تحكم قوية وسلسة للتخفيف بفعالية من التداخل داخل البوابة في بوابات CZ لترانزمون فائقة التوصيل، مما يظهر دقة متفوقة وأداءً أفضل في الحالات الأسوأ مقارنة بطرق تحسين كروتوف التقليدية.

المؤلفون الأصليون: Yiming Yu, Yexiong Zeng, Ye-Hong Chen, Franco Nori, Yan Xia

نُشر 2026-03-24

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Yiming Yu, Yexiong Zeng, Ye-Hong Chen, Franco Nori, Yan Xia

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 قيادة أوركسترا سيمفونية، لكن الموسيقيين حساسون للغاية. إذا عزف عازف الكمان في الصف الأمامي نوتة موسيقية، فقد يبدأ عازف الفلوت في الصف الخلفي بعزف نفس النوتة بالخطأ في نفس الوقت، رغم أنه لم يكن من المفترض أن يفعل ذلك. في عالم الحوسبة الكمومية، يُسمى هذا "العزف العرضي" بـ التداخل (Crosstalk).

تتناول هذه الورقة البحثية مشكلة رئيسية في بناء الحواسيب الكمومية: كيف تجعل البوابات ثنائية الكيوبت (التي تمثل العمليات المنطقية الأساسية) تعمل بشكل مثالي دون أن تؤدي الإشارات الموجهة لكيوبت واحد إلى إزعاج جاره عن طريق الخطأ.

إليك شرح مبسط لما فعله المؤلفون ولماذا يهم ذلك، باستخدام بعض التشبيهات من الحياة اليومية.

المشكلة: "حفلة عشاء صاخبة"

تخيل الحاسوب الكمومي كحفلة عشاء حيث يحاول كل ضيف (كيوبت) إجراء محادثة خاصة.

الهدف: تريد من الضيف (أ) والضيف (ب) إجراء محادثة معقدة ومحددة (بوابة CZ).
المشكلة: عندما تصرخ بالتعليمات للضيف (أ)، فإن الموجات الصوتية تصطدم بالخطأ بالضيف (ج) والضيف (د)، مما يجعلهما يهمسان رداً على ذلك أو يشعران بالارتباك. هذا هو التداخل (Crosstalk).
الحلول الحالية:
- الإصلاحات العتادية (Hardware): وضع جدران عازلة للصوت بين الضيوف. (هذا مكلف وصعب البناء لحفلة ضخمة).
- خدع برمجية قديمة: إخبار الضيوف بالتوقف والاستماع بعناية (إلغاء فك الترابط الديناميكي - Dynamical Decoupling). (ينجح أحياناً، لكن الأمور تصبح فوضوية كلما كبرت الحفلة).
- التحسين التقليدي: محاولة حساب الحجم المثالي لكل متحدث يدوياً. (يستغرق وقتاً طويلاً، وإذا تغيرت درجة حرارة الغرفة، ستكون حساباتك خاطئة).

الحل: "المايسترو الذكي" (PGNC)

يقترح المؤلفون طريقة جديدة تسمى التحكم العصبي الموجه بالفيزياء (PGNC).

تخيل مايسترو ذكياً (شبكة عصبية) لا يحفظ نصاً واحداً فحسب، بل يمتلك قوة خارقة: يمكنه رؤية ظروف الغرفة.

مدخل "الظروف": قبل أن يبدأ المايسترو، يتم إخباره: "مهلاً، الضيف (ج) صوته مرتفع حالياً"، أو "الهواء رطب قليلاً اليوم". في الورقة البحثية، يسمى هذا متجه حالة التداخل (crosstalk-condition vector).
الشبكة العصبية: بدلاً من قيام إنسان بحساب الموجات المثالية، يقوم عقل حاسوبي (شبكة عصبية) بتعلم كيفية ضبط الموسيقى في الوقت الفعلي.
- إذا كانت الغرفة صاخبة، يقوم المايسترو بتغيير حجم الصوت وتوقيت النوتات للضيف (أ) ببراعة لإلغاء الضجيج الذي يصيب الضيف (ج).
- الأمر يشبه سماعات إلغاء الضجيج، ولكن لنظام كمومي كامل.
موجه بالفيزياء: المايسترو لا يخمن فقط. لقد تم تدريبه باستخدام القوانين الفعلية للفيزياء (الهاملتونيان - Hamiltonian). هو يعرف تماماً كيف تنتقل الموجات الصوتية وكيف يتفاعل الضيوف معها. هذا يضمن أن تكون الحلول ممكنة فيزيائياً وسلسة.

كيف اختبروا ذلك؟

أجرى الفريق محاكاة ضخمة (توأم رقمي لحاسوب كمومي) لمعرفة ما إذا كان بإمكان المايسترو الذكي الخاص بهم التعامل مع بوابة CZ (عملية محددة لثنائي الكيوبت).

المنافسة: قارنوا المايسترو الذكي الخاص بهم بطريقتين تقليديتين: Krotov و GRAPE. فكر في هاتين الطريقتين كـ "آلات حاسبة" تحاول إيجاد الحل المثالي لسيناريو واحد محدد.
النتيجة:
- الآلات الحاسبة (Krotov/GRAPE): قدما أداءً جيداً عندما كانت الغرفة هادئة ومثالية. ولكن بمجرد أن تغير "الضجيج" (التداخل) قليلاً، انخفض أداؤهما وأصبحت الموسيقى فوضوية.
- المايسترو الذكي (PGNC): نظرًا لأنه تم تدريبه على العديد من سيناريوهات الضجيج المختلفة في وقت واحد، فقد تعلم استراتيجية مرنة. عندما تغير الضجيج، قام فوراً بتعديل "عصا المايسترو" للحفاظ على مثالية الموسيقى.
- النتيجة النهائية: حقق المايسترو الذكي دقة أعلى (fidelity) وأنتج إشارات أكثر سلاسة ونقاءً، مما يجعل من السهل تشغيلها بواسطة الأجهزة الحقيقية.

لماذا يهم هذا (ما الفائدة؟)

بناء حاسوب كمومي يشبه محاولة بناء ناطحة سحاب من مكعبات "الجنغا" بينما يقوم شخص ما بهز الطاولة.

القابلية للتوسع: مع إضافة المزيد من الكيوبتات (المزيد من الضيوف)، يزداد التداخل سوءاً. الطرق التقليدية تنهار لأنك لا تستطيع حساب حل مثالي جديد لكل مجموعة من الضجيج.
ميزة PGNC: هذه الطريقة الجديدة تتعلم استراتيجية واحدة مرنة تعمل عبر العديد من ظروف الضجيج المختلفة. إنه يشبه امتلاك مايسترو يمكنه قيادة الأوركسترا ببراعة سواء كانت تمطر، أو مشمسة، أو إذا كان هناك صوت سيارة إسعاف يمر في الخارج.

الخلاصة

تقدم هذه الورقة البحثية "مايسترو ذكياً" يعتمد على التعلم، يتعلم كيفية التحكم في الكيوبتات من خلال توقع وإلغاء التداخل من الجيران. بدلاً من محاربة الضجيج بقواعد جامدة، فإنه يتكيف مثل رياضي محترف يعدل ضربته لمواجهة الرياح. قد يكون هذا خطوة حاسمة نحو بناء حواسيب كمومية موثوقة واسعة النطاق تعمل بالفعل في العالم الحقيقي.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "نهج الشبكة العصبية للتخفيف من التداخل داخل البوابة في بوابات CZ فائقة التوصيل."

1. بيان المشكلة

إن التحقيق العملي للحوسبة الكمومية القابلة للتوسع محدود جوهرياً بظاهرة التداخل (Crosstalk) أثناء عمليات البوابات متعددة الكيوبتات. في أنظمة الكيوبتات فائقة التوصيل من نوع (transmon)، غالباً ما تؤثر نبضات التحكم الموجهة لكيوبت واحد بشكل غير مقصود على الكيوبتات المجاورة نتيجة لـ:

التداخل الكمومي (Quantum Crosstalk): تفاعلات ذاتية (مثل تفاعلات $ZZ$ المستمرة دائماً) التي تزيح مستويات الطاقة وتسبب تشابكاً غير مقصود.
التداخل الكلاسيكي (Classical Crosstalk): اقتران كهرومغناطيسي غير مقصود حيث تتسرب إشارات التحكم إلى الخطوط المجاورة (cross-drive)، مما يسبب عمليات زائفة.

توجد استراتيجيات التخفيف الحالية قيوداً كبيرة:

العزل العتادي (Hardware isolation): (المباعدة/التدريع) يزيد من تعقيد التصنيع ويمكن أن يؤدي إلى تدهور أداء الكيوبت الفردي.
إلغاء التماسك الديناميكي (Dynamical decoupling): حساس لأطياف الضوضاء ويتطلب تسلسلات نبضية معقدة.
المعايرة التكرارية (Iterative calibration): تتوسع بشكل سيء مع حجم النظام وتكون حساسة للانجراف العتادي.
التحكم الأمثل التقليدي (GRAPE, Krotov): رغم فعاليتها عند نقطة تشغيل اسمية واحدة، إلا أنها تواجه صعوبة في إيجاد حلول قوية تحت ظروف تداخل معقدة ومتغيرة، وغالباً ما تقع في الحد الأدنى المحلي أو تفشل في فرض قيود العتاد (عرض النطاق الترددي، السعة) في آن واحد.

2. المنهجية: التحكم العصبي الموجه بالفيزياء (PGNC)

يقترح المؤلفون إطار عمل التحكم العصبي الموجه بالفيزياء (PGNC)، وهو مولد نبضات مفتوح الحلقة يعتمد على الشبكات العصبية مصمم للتكيف مع ظروف التداخل المتغيرة في الوقت الفعلي.

أ. نمذجة النظام

ديناميكيات النظام المفتوح: يتم نمذجة النظام كنظام كمومي مفتوح ماركوفي باستخدام معادلة ليندبلاد (Lindblad master equation)، مع مراعاة فك التماسك الناتج عن $T_1$ (الاسترخاء) و $T_2$ (إزالة الطور).
الهاملتوني المعزز بالظروف: الابتكار الجوهري هو نمذجة التداخل كدالة لـ متجه الظروف $\mathbf{c} = [c_I, c_Q, c_f]^\top$ $c = [c_{I}, c_{Q}, c_{f}]^{⊤}$ ، والذي يمثل ظروف التشغيل المتزامنة (سعات النغمات المجاورة والإزاحات الحاملة المعيرة).
- يتضمن الهاملتوني $H(t; \mathbf{c})$ حدوداً تعتمد على الظروف: تفاعل $ZZ$ الفعال ( $J_{zz}^{eff}$ )، ومعاملات تسرب الدفع المتقاطع ( $r^{eff}$ )، وانحيازات الإزاحة ( $\Delta \delta$ ).
- يتم نمذجة هذه التبعيات عبر خريطة تآلفية من الدرجة الأولى: $\mathbf{b}(\mathbf{c}) = \mathbf{b}_0 + G\mathbf{c}$ ، حيث $G$ هي مصفوفة الحساسية.

ب. بنية الشبكة العصبية

المدخلات: الزمن $t$ (معاير إلى $[0,1]$ ) ومتجه الظروف $\mathbf{c}$ .
تضمين الميزات (Feature Embedding): تمر المدخلات عبر خريطة ميزات فوريه لالتقاط الأنماط الزمنية والاعتماد على الظروف.
الشبكة: شبكة إدراك متعددة الطبقات (MLP) بطبقتين و64 وحدة مخفية (تنشيط tanh) تخرج متجهاً كامناً سباعي الأبعاد.
رسم خرائط المخرجات: يتم رسم المتجه الكامن إلى موجات تحكم فيزيائية ( $\Omega_{x,y}$ $Ω_{x, y}$ ، الإزاحة $\delta$ $δ$ ، والاقتران $J_{zz}$ $J_{z z}$ ) باستخدام:
- تشبع Tanh: لفرض حدود السعة.
- غلاف مسطح تحليلي (Analytic Flattop Envelope): لضمان زمن صعود/هبوط سلس ونهايات صفرية، مما يلبي قيود عرض النطاق الترددي للعتاد هيكلياً دون الحاجة لمعالجة لاحقة.

ج. هدف التدريب

يتم تدريب الشبكة لتقليل دالة خسارة مركبة مجمعة عبر مجموعة من سيناريوهات الظروف $\mathcal{C}$ :
$J_{tot} = \text{Agg} \left( \sum_{s} \left[ (1 - F(\mathbf{c}^{(s)})) + w_{leak} \cdot \text{Leak}(\mathbf{c}^{(s)}) + w_{smooth} \cdot \text{Smooth}(\mathbf{c}^{(s)}) \right] \right)$

الدقة (Fidelity - $F$ ): متوسط دقة البوابة عبر مجموعة من الحالات المدخلة.
التسرب (Leakage): عقوبة على خروج الجمهرة من الفضاء الحسابي.
النعومة (Smoothness): عقوبة $H_1$ -norm على المشتق الزمني للموجة لتقليل الارتجاف عالي التردد.
التجميع (Aggregation): يمكن أن تستخدم الدالة المتوسط (المتوازن) أو CVaR (القيمة المشروطة للمخاطرة) للتركيز على أسوأ حالات الأداء.

3. المساهمات الرئيسية

توليد النبضات الشرطي: على عكس الطرق التقليدية التي تخرج موجة ثابتة واحدة، يتعلم PGNC رسم الخرائط $\mathbf{c} \to u(t; \mathbf{c})$ . وهذا يسمح لشبكة واحدة مدربة بتوليد نبضات مثالية لأي ظرف تداخل ضمن نطاق التوزيع التدريبي، مما يلغي الحاجة لإعادة التحسين لكل ظرف على حدة.
البارامترية المدركة للعتاد: تفرض البنية قيوداً فيزيائية (حدود السعة، الحواف الناعمة، النهايات الصفرية) بشكل متأصل من خلال تصميم طبقة المخرجات، مما يضمن أن تكون النبضات المولدة قابلة للتنفيذ تجريبياً.
التنسيق متعدد القنوات: يكتشف إطار العمل استراتيجيات تحكم تعاونية حيث يتم تعديل الدفع المستعرض، والإزاحة، والاقتران القابل للضبط بشكل متزامن لمواجهة التداخل، بدلاً من الاعتماد على مقبض تحكم مهيمن واحد.
القوة عبر التنظيم الضمني: يعمل التدريب عبر توزيع من الظروف كمنظم ضمني، مما يوجه الحل نحو المناطق "المسطحة" من مشهد التحكم التي تكون أقل حساسية لانجرافات المعلمات.

4. النتائج

قارن المؤلفون PGNC مقابل خطوط الأساس Krotov و GRAPE (تصاعد التدرج لهندسة النبض) لبوابة CZ ذات موصل قابل للضبط ( $T=50$ ns) على نظام ثنائي من الـ transmon.

الدقة والتقارب:
- تقارب كل من PGNG و GRAPE بسرعة إلى عدم دقة قدرها $\sim 10^{-3}$ ، بينما تقارب Krotov بشكل أبطأ مع عدم دقة متبقية أعلى قليلاً.
- حقق PGNC دقة أسوأ حالة متفوقة مقارنة بخطوط الأساس، خاصة تحت الظروف المضطربة.
التعميم على الظروف:
- الثابت مقابل التكيفي: عند الاختبار على ظروف غير اسمية (لم تُشاهد أثناء التدريب)، أظهرت خطوط الأساس الثابتة (Krotov/GRAPE) تدهوراً كبيراً في الدقة واتساعاً في التوزيعات. حافظ PGNC على دقة قريبة من الوحدة من خلال إعادة تشكيل النبضة ديناميكياً.
- مسوحات القوة: أظهر PGNC "منطقة آمنة" أكبر ضد انجرافات الإزاحة الاستاتيكية ( $\delta_1, \delta_2$ ) مقارنة بخطوط الأساس.
خصائص الموجة:
- استخدم PGNC استراتيجية متعددة القنوات، حيث قام بتعديل الربع $y$ للكيوبت الثاني وتنسيقه مع الإزاحة والاقتران.
- اعتمد Krotov على منصات إزاحة كبيرة وتعديل $ZZ$ سلس.
- مال GRAPE نحو حل "التفاعل فقط" (هيمنة $J_{zz}$ ، مع دفع مستعرض قريب من الصفر)، وهو ما ثبت أنه أقل قوة تجاه الاختلاط الناتج عن التداخل.
التسرب والنعومة: أنتج PGNC موجات أكثر نعومة مع تسرب أقل، ويُعزى ذلك إلى عقوبة النعومة والفرض الهيكلي لحدود عرض النطاق الترددي.

5. الأهمية والآفاق المستقبلية

القابلية للتوسع: يوفر PGNC مساراً للتحكم الكمومي القابل للتوسع من خلال تقليل تكلفة التحسين. بمجرد تدريب نموذج محلي فعال، يمكن للشبكة توليد نبضات لظروف جديدة عبر تمريرة أمامية واحدة، مما يتجنب الاختناق الحسابي لإعادة التحسين التكراري لكل تكوين بوابة.
العملية: يتوافق النهج مع سير عمل المعايرة الحالي. يمكن تحديث متجه الظروف $\mathbf{c}$ بناءً على بيانات المعايرة في الوقت الفعلي (مثل مستويات التداخل المقاسة)، مما يسمح للمتحكم بالتكيف مع الانجراف العتادي دون إعادة تدريب.
التوسع: الإطار قابل للتوسع ليشمل التداخل بين البوابات عبر توسيع متجه الظروف ليشمل الواصفات الزمنية والطيفية للبوابات المجاورة، مما يتيح تحكماً قوياً في جداول التشغيل الكثيفة والمتزامنة.

الخلاصة: تثبت الورقة أن الشبكة العصبية الموجهة بالفيزياء يمكنها بفعالية تخفيف التداخل داخل البوابة في الكيوبتات فائقة التوصيل، مما يقدم بديلاً قوياً وقابلاً للتوسع ومتوافقاً مع العتاد لطرق التحكم الأمثل التقليدية، لا سيما في وجود ضوضاء وظروف تداخل متقلبة.