HAMMR-L: Noise Reduction in Quantum Outcomes Using a Richardson-Lucy Deconvolution Algorithm for Quantum State Graphs

إليك ملخص تقني مفصل لورقة البحث بعنوان: "HAMMR-L: تقليل الضوضاء في النتائج الكمومية باستخدام خوارزمية تفكيك لوسي-ريتشاردسون لرسوم الحالات الكمومية."

1. بيان المشكلة

تعمل الحواسيب الكمومية الحالية في عصر "الكم ذي المقياس المتوسط المشوب بالضوضاء" (NISQ)، والذي يتميز بضوضاء كبيرة تؤدي إلى تدهور دقة المخرجات مع زيادة عمق الدائرة وعدد الكيوبتات. وبينما يظل "تصحيح الخطأ الكمومي" (QEC) هو الهدف طويل الأمد، إلا أنه ليس قابلاً للتطبيق بعد على الأنظمة واسعة النطاق. وبناءً على ذلك، يعد "تخفيف الخطأ الكمومي" (QEM) أمراً ضرورياً لتحسين جدوى الأجهزة الحالية.

أظهرت تقنيات QEM الحالية، وخاصة تلك القائمة على فضاء هامينج (المساحة المترية للسلاسل الثنائية حيث تمثل المسافة عدد أخطاء قلب البت)، نتائج واعدة. ومن الأسلاف البارزين:

• HAMMER: يستخدم رسم حالة (state graph) متصلاً بمسافة هامينج لتخصيص "درجات الجوار" للنتائج.
• QBEEP: وهو تحسين لـ HAMMER يستخدم توزيع بواسونون (Poisson distribution) لوزن الحواف، بما يتناسب مع معدلات الخطأ في الدائرة والأجهزة المحددة.

ومع ذلك، تفتقر هذه الطرق غالباً إلى العمومية (كونها تعتمد على الأجهزة/الدائرة) أو تعتمد على أوزان تجريبية (heuristic). وقد حدد المؤلفون الحاجة إلى نهج مبدئي، مستقل عن الأجهزة، يمكنه رياضياً نمذجة "التغبيش" (blurring) في توزيعات الاحتمالات الكمومية الناتج عن الضوضاء.

2. المنهجية: HAMMR-L

يقترح المؤلفون HAMMR-L، وهي تقنية معالجة لاحقة (post-processing) تعيد صياغة تخفيف الخطأ الكمومي كمسألة "تفكيك صورة" (image deconvolution).

المفهوم الجوهري: تفكيك الارتباط في فضاء هامينج

يعامل المؤلفون مخرجات التوزيع المشوبة بالضوضاء لدائرة كمومية كنسخة "مغبشة" من التوزيع الحقيقي (الخالي من الأخطاء).

• "الصورة": هي رسم الحالة (state graph) لمخرجات القياس المرصودة، حيث تمثل العقد (nodes) السلاسل الثنائية، وتمثل "سطوعها" الاحتمالية المرصودة.
• "التغبيش" (The Blur): هو "دالة انتشار النقطة" (Point Spread Function - PSF)، والتي تصف كيف "تنتشر" السلسلة الصحيحة إلى سلاسل غير صحيحة بسبب أخطاء قلب البت.
• مقياس المسافة: يتم التحكم في التغبيش بواسطة مسافة هامينج ($h(i, j)$)، وهي عدد عمليات قلب البت بين سلسلتين.

الخوارزمية

تعدل خوارمية HAMMR-L خوارزمية تفكيك لوسي-ريتشاردسون (Richardson-Lucy)، المستخدمة تقليدياً في ترميم الصور، لتناسب رسوم الحالات الكمومية المنفصلة.

1. بناء الرسم البياني: يتم بناء رسم حالة حيث تكون العقد هي السلاسل المرصودة، وتتصل ببعضها إذا كانت مسافة هامينج بينها تساوي 1.
2. تعريف الـ PSF: يعرّف المؤلفون دالة $p_{ij}$ بناءً على مسافة هامينج بين السلسلتين $i$ و $j$:
   $$p_{ij} = \frac{1}{h(i, j) + 1}$$
   تفترض هذه الدالة أن احتمال الخطأ يتناقص كلما زادت مسافة هامينج من السلسلة الصحيحة.
3. التفكيك التكراري:
   • لتكن $d_i$ هي الاحتمالية المرصودة (المشوبة بالضوضاء) و $u_i$ هي الاحتمالية الحقيقية (الخالية من الأخطاء).
   • يتم نمذجة العلاقة كعملية التفاف (convolution) منفصلة: $d = u * P$.
   • تقوم الخوارزمية بتقدير التوزيع الحقيقي $\hat{u}$ بشكل تكراري باستخدام قاعدة تحديث لوسي-ريتشاردسون:
     $$\hat{u}^{(n+1)}_j = \hat{u}^{(n)}_j \sum_i \frac{d_i}{c_i} p_{ij}$$
     حيث $c_i$ هو عامل تطبيع مشتق من التقدير الحالي.
4. التقارب: تتكرر العملية حتى الوصول إلى التقارب أو الوصول إلى الحد الأقصى لعدد التكرارات، يليه التطبيع لضمان أن الاحتمالات مجموعها يساوي 1.

3. المساهمات الرئيسية

• إطار عمل مبتكر: يقدم أول تطبيق لتفكيك لوسي-ريتشاردسون على رسوم الحالات الكمومية، حيث يعامل تخفيف الضوضاء كمسألة "إزالة تغبيش" رياضية بدلاً من مجرد إعادة وزن تجريبية.
• الاستقلالية عن الأجهزة والدوائر: على عكس QBEEP، الذي يتطلب تخصيص نموذج توزيع الخطأ لتناسب أجهزة ودوائر محددة، يستخدم HAMMR-L دالة PSF عالمية تعتمد على مسافة هامينج، مما يجعله قابلاً للتطبيق عبر معالجات كمومية مختلفة دون الحاجة لإعادة المعايرة.
• أداء متفوق: يثبت أن نهج التفكيك المبدئي يتفوق على طرق هامينج الحالية (وتحديداً QBEEP) في استعادة النتائج الصحيحة.

4. النتائج التجريبية

قيم المؤلفون HAMMR-L باستخدام خوارزمية برنشتاين-فازيرات (Bernstein-Vazirani) على أجهزة IBM الكمومية. وقد قاموا بتوليد مجموعات بيانات لدوائر مكونة من 9 و 10 كيوبتات مع تباين في "عدد الواحدات" (count of ones) في السلسلة السرية، وهو ما يرتبط بعدد بوابات CNOT وبالتالي بمعدل الخطأ.

المقاييس الرئيسية:

• تحسين الرتبة (Rank Improvement): قياس مدى تحسن رتبة السلسلة السرية الصحيحة (مثلاً، الانتقال من المركز الرابع إلى الأول).
• متوسط تغير الرتبة (Mean Rank Change): متوسط الإزاحة في الرتبة عبر جميع التباديل.

النتائج:

• التفوق العام: تفوق HAMMR-L على QBEEP في 7 من أصل 10 مجموعات بيانات.
• متوسط تغير الرتبة:
  • HAMMR-L: متوسط زيادة في الرتبة قدره +3.081.
  • QBEEP: متوسط تغير في الرتبة قدره -0.328 (مما يشير إلى أن QBEEP أدى غالباً إلى تدهور التصنيف في المتوسط).
• أنظمة الخطأ العالية: أظهر HAMMR-L أداءً استثنائياً في سيناريوهات الضوضاء العالية (مثل مجموعات البيانات ذات الـ 8 واحدات). في إحدى حالات الـ 9 كيوبت مع سلسلة سرية مكونة من جميع الواحدات، نجح HAMMR-L في استعادة السلسلة الصحيحة من الرتبة الرابعة إلى الرتبة الأولى، مما رفع احتمالية ظهورها من أقل من 1% إلى ما يقرب من 8%.
• الاتساق: بينما أظهر HAMMR-L بعض التباين بين التشغيل والآخر (ربما بسبب تقلبات الأجهزة)، إلا أنه قدم باستمرار تحسينات إيجابية في الرتب في حالات الخطأ العالية حيث فشل QBEEP أو أدى لتدهور النتائج.

5. الأهمية والعمل المستقبلي

الأهمية:
يوفر HAMMR-L إطار عمل مبدئي وعام لتخفيف الخطأ. ومن خلال الاستفادة من رياضيات معالجة الصور الراسخة، فإنه يقدم طريقة قوية لـ "إزالة تغبيش" المخرجات الكمومية دون الحاجة إلى معرفة تفصيلية بنماذج ضوضاء الأجهزة الأساسية. وهذا يجعله أداة قوية لتطبيقات عصر NISQ الفورية.

الاتجاهات المستقبلية:
حدد المؤلفون ثلاثة مسارات للتحسين:

1. دالة PSF مدركة للأجهزة (Hardware-Aware PSF): تخصيص الـ PSF لنماذج ضوضاء الأجهزة المحددة (على غرار QBEEP) لزيادة الدقة، رغم أن هذا يضحي ببعض الاستقلالية عن الأجهزة.
2. التفكيك الأعمى (Blind Deconvolution): تقدير الـ PSF مباشرة من بنية البيانات المغبشة دون معرفة مسبقة، وهي تقنية متطورة جداً في معالجة الصور.
3. التكامل مع التعلم العميق: دمج تفكيك لوسي-ريتشاردسون مع التعلم العميق لتعلم الـ PSF وتسريع التقارب، مما قد يوفر مكاسب إضافية في السرعة والدقة.

في الختام، يمثل HAMMR-L خطوة مهمة نحو جعل الحواسيب الكمومية في عصر NISQ أكثر فائدة من خلال تخفيف الضوضاء بفعالية عبر نهج تفكيك صارم رياضياً.