⚛️ quantum physics

Investigation of Automated Design of Quantum Circuits for Imaginary Time Evolution Methods Using Deep Reinforcement Learning

تقدم هذه الورقة إطار عمل لشبكة كيو العميقة المزدوجة (DDQN) يعمل على أتمتة تصميم دوائر تطور الزمن التخيلي المتغير (VITE)، حيث ينجح في اكتشاف هياكل غير بديهية مع تقليل عدد البوابات والعمق بشكل كبير مقارنة بالنماذج القياسية لحل مشكلات Max-Cut وجزيء الهيدروجين على أجهزة الحوسبة الكمومية ذات الضجيج المتوسط (NISQ).

المؤلفون الأصليون: Ryo Suzuki, Shohei Watabe

نُشر 2026-04-10

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Ryo Suzuki, Shohei Watabe

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 العثور على أدنى نقطة في سلسلة جبال شاسعة يغطيها الضباب (وهي "الحالة الأرضية" لنظام كمومي). هذه مهمة حاسمة لحل مشكلات معقدة مثل تصميم أدوية جديدة أو تحسين تدفق حركة المرور.

في عالم الحوسبة الكمومية، لدينا أداة تسمى VITE (التطور التخيلي الزمني المتغير) تساعدنا على الانزلاق لأسفل هذا الجبل. ومع ذلك، لاستخدام هذه الأداة على أجهزة الكمبيوتر الكمومية الحالية المليئة بالضجيج وغير المكتملة، نحتاج إلى بناء "مزلجة" (دائرة كمومية) محددة للغاية لركوبها.

المشكلة؟ بناء هذه المزلجة يدويًا أمر صعب للغاية. إذا كانت المزلجة معقدة جدًا (تحتوي على الكثير من الأجزاء)، فإن الضجيج في الكمبيوتر سيكسرها قبل أن نصل إلى القاع. وإذا كانت بسيطة جدًا، فستعلق فوق تلة صغيرة ولن تجد النقطة الأدنى الحقيقية.

هذه الورقة البحثية تدور حول تعليم الكمبيوتر كيف يصمم مزلجته المثالية الخاصة باستخدام تقنية تسمى التعلم التعزيزي العميق (RL). فكر في وكيل التعلم التعزيزي كأنه مهندس متدرب فضولي وذكي للغاية.

إليك كيف تفكك الورقة البحثية الموضوع، باستخدام تشبيهات من الحياة اليومية:

1. المتدرب واللعبة

وضع الباحثون لعبة لمتدرب الذكاء الاصطناً الخاص بهم.

الهدف: بناء دائرة كمومية (المزلجة) التي تصل إلى أدنى درجة طاقة ممكنة.
القواعد: يجب أن تكون المزلجة بسيطة وقصيرة قدر الإمكان.
الحركات: يمكن للذكاء الاصطناعي إضافة "بوابة" واحدة (مكون مثل مفتاح أو منعطف) في كل مرة من صندوق أدوات يحتوي على حركات أساسية (دورات واتصالات).
بطاقة النقاط (المكافأة):
- إذا انخفضت الطاقة، يحصل الذكاء الاصطناعي على نقاط.
- إذا ظلت الدائرة قصيرة، يحصل على نقاط إضافية.
- إذا أصبحت الدائرة طويلة جدًا أو معقدة، يتم فرض عقوبة عليه.

2. "الدماغ المزدوج" (DDQN)

يستخدم الذكاء الاصطناعي نوعًا معينًا من الأدمغة يسمى شبكة Q العميقة المزدوجة (DDQN).

التشبيه: تخيل طالبًا يؤدي اختبارًا. الطالب العادي قد يخمن الإجابة ثم يقنع نفسه فورًا بأنه كان محقًا، حتى لو كان مخطئًا (وهذا ما يسمى "المبالغة في التقدير").
الحل: يستخدم الـ DDQN دماغين.
- الدماغ (أ) يختار الحركة (الإجراء).
- الدماغ (ب) يقيم مدى جودة تلك الحركة في الواقع.
- من خلال فصل عملية "الاختيار" عن عملية "الحكم"، يتجنب الذكاء الاصطناعي الثقة المفرطة ويتخذ قرارات أكثر ذكاءً.

3. "الهدف المتحرك" (العتبات التكيفية)

أحد أكبر التحديات التي حلتها الورقة البحثية هو "الهدف المتحرك".

المشكلة: إذا كان المطلوب من الذكاء الاصطناعي هو الوصول إلى نتيجة "جيدة بما يكفي" فقط، فقد يتوقف عن المحاولة بمجرد العثور على حل مقبول. ولكن في الكيمياء الكمومية، "جيد بما يكفي" (مثل التقريب التقريبي) ليس كافيًا؛ نحن بحاجة إلى الإجابة الدقيقة.
الحل: ابتكر الباحثون عتبة تكيفية.
- التشبيه: تخيل مدربًا يقول للعداء: "اركض أسرع من 10 ثوانٍ". بمجرد أن يصل العداء إلى 9 ثوانٍ، يقول المدرب فورًا: "حسناً، الآن اركض أسرع من 9 ثوانٍ!".
- يتم دفع الذكاء الاصطناعي باستمرار للتفوق على أفضل نتيجة حققها سابقًا. هذا يجبره على الاستمرار في الاستكشاف وعدم الاستقرار عند دائرة متوسطة المستوى.

4. النتائج: بناء مزالج أفضل

اختبر الباحثون هذا الذكاء الاصطناعي على "جبلين" مختلفين:

أ. مشكلة Max-Cut (لغز منطقي)

النتيجة: وجد الذكاء الاصطناعي دائرة أصغر بنسبة 37% وأقل عمقًا (أقصر) بنسبة 43% من الدوائر القياسية التي صممها البشر.
التشبيه: صنع البشر مزلجة بـ 30 جزءًا. اكتشف الذكاء الاصطناعي طريقة للقيام بنفس المهمة تمامًا باستخدام 12 جزءًا فقط. كان الأمر أشبه بإيجاد طريق مختصر عبر الغابة لم يعرفه أحد غيره.

ب. جزيء الهيدروجين (الكيمياء)

النتيجة: كان هذا أصعب. كان على الذكاء الاصطناعي إيجاد الطاقة الدقيقة لجزيء الهيدروجين.
التحدي: في البداية، كان الذكاء الاصطناعي كسولاً. وجد حلاً "جيدًا بما يكفي" (مثل رسم تخطيطي تقريبي) وتوقف عن المحاولة لأن القواعد سمحت له بذلك.
الحل: من خلال تشديد القواعد (العتبة التكيفية) وتقديم مكافآات أفضل، تمكن الذكاء الاصطناعي في النهاية من إيجاد دوائر وصلت إلى الإجابة العلمية الدقيقة (حد Full-CI).
الميزة الإضافية: وجد الذكاء الاصطناعي طرقًا مختلفة لبناء المزلجة المثالية. نظر الباحثون في جميع هذه الطرق ووجدوا "هيكلًا عظميًا" أو بنية أساسية مشتركة. أدركوا أنه من خلال تجريد التصميم من الزوائد، يمكنهم بناء دائرة أبسط وأكثر مثالية لم يفكر فيها البشر.

لماذا يهم هذا الأمر؟

تصميم الدوائر الكمومية حاليًا يشبه محاولة بناء محرك سيارة فيراري يدويًا، برغيًا تلو الآخر، على أمل أن يعمل. إن ذلك يستغرق سنوات من التجربة والخطأ من قبل الخبراء.

تظهر هذه الورقة البحثية أننا نستطيع تعليم الكمبيوتر أن يخترع المحرك لنا.

الكفاءة: يصمم الذكاء الاصطناعي دوائر أصغر وأسرع، وهو أمر بالغ الأهمية لأن أجهزة الكمبيوتر الكمومية اليوم هشة وتنكسر بسهء إذا كانت الدوائر طويلة جدًا.
الاكتشاف: وجد الذكاء الاصطناعي تصميمات "غير بديهية" — هياكل لا تبدو كما يبنيها البشر بشكل طبيعي، لكنها تعمل بشكل أفضل.
المستقبل: بدلًا من مجرد حل مشكلة واحدة، يمكن لهذا الذكاء الاصطناعي تعلم "قواعد الطريق" للدوائر الكمومية. يمكننا استخدامه لإنشاء مكتبة من التصميمات المثالية التي يمكن للعلماء استخدامها لحل مشكلات العالم الحقيقي، من علاج الأمراض إلى تحسين سلاسل التوريد العالمية.

باختًا: لقد علم المؤلفون الكمبيوتر أن يكون مهندسًا معماريًا بارعًا للحواسيب الكمومية، مما يساعدنا على بناء آلات أبسط، وأقوى، وأذكى لحل أصعب مشكلات العالم.

إليك ملخص تقني مفصل لورقة البحث المعنونة بـ "تحقيق في التصميم الآلي للدوائر الكمومية لطرق تطور الزمن التخيلي باستخدام التعلم التعزيزي العميق" من إعداد ريو سوزوكي وشوهي واتابي.

1. بيان المشكلة

يواجه تطوير الخوارزميات الكمومية الفعالة للأجهزة الكمومية ذات المقياس المتوسط المشوبة بالضجيج (NISQ) قيودًا ناتجة عن فك الترابط ومحدودية دقة البوابات. وبناءً على ذلك، فإن إيجاد الدائرة الكمومية المثلى (ansatz) التي تقلل عدد البوابات والعمق مع الحفاظ على الدقة الحسابية يمثل تحديًا حاسمًا.

القيود الحالية: غالبًا ما تعتمد الطرق الحالية مثل خوارزمية القيم الذاتية الكمومية المتغيرة (VQE) وخوارزمية التقريب الكمومي للتحسين (QAOA) على نماذج (ansatzes) مصممة يدويًا أو فعالة من حيث الأجهزة، والتي قد تكون دون المستوى الأمثل، أو زائدة عن الحاجة، أو مفرطة في العمق.
الفجوة: بينما تم تطبيق التعلم التعزيزي (RL) في VQE وQAOA، إلا أن تطبيقه على طريقة "التطور التخيلي للزمن المتغير" (VITE) لا يزال غير مستكشف بشكل كافٍ. علاوة على ذلك، تفتقر أطر التعلم التعزيزي الحالية غالبًا إلى الحوافز الصريحة لتقليل حجم الدائرة، مما يؤدي إلى مقايضة يمنح فيها الوكيل (agent) الأولوية لدقة الطاقة على حساب عمق الدائرة غير العملي.
الهدف: تطوير إطار عمل مؤتمت باستخدام التعلم التعزيزي العميق (DRL) لتصميم دوائر كمومية مدمجة وعالية الدقة خصيصًا لطريقة VITE.

2. المنهجية

يقترح المؤلفون إطار عمل حيث يقوم وكيل مستقل ببناء دوائر كمومية خطوة بخطوة باستخدام شبكة Q المزدوجة العميقة (DDQN).

أ. إطار عمل VITE

تقوم طريقة VITE بتقريب التطور غير الوحدوي للزمن التخيلي ( $\tau = it$ ) لإيجاد الحالة الأرضية لهاملتونيان معين. وهي تستخدم مبدأ ماكلاشلان المتغير لتحديث المعلمات $\theta$ في حالة تجريبية $|\phi(\theta)\rangle$ عن طريق حل معادلات خطية مشتقة من معادلة شرودنجر المحولة عبر دوران ويك.

ب. صياغة التعلم التعزيزي

يتم نمذجة تصميم الدائرة كعملية ماركوف لاتخاذ القرار (MDP):

الحالة ( $S_t$ ): التكوين الحالي للدائرة الكمومية (يُمثل كشبكة متجهة من البوابات).
الإجراء ( $A_t$ ): إضافة بوابة واحدة من المجموعة $\{R_x, R_y, R_z, I, \text{CNOT}\}$ إلى الدائرة.
المكافأة ( $R_t$ ): مكافأة مركبة توازن بين تقليل الطاقة وتماسك الدائرة.
- المكافأة الأولية: $R_t = (E_{t-1} - E_t) + c(g_{max} - g)\Theta(E_{threshold} - E_t)$ .
- المكافأة المنقحة (القسم السادس): تم تقديم دالة مكافأة طبيعية للتعامل مع الحالات الأرضية غير المعروفة: $R_t = \frac{E_{t-1} - E_t}{E_{t-1} - E_{bound}} + \frac{g_{max} - g}{g_{max}}\Theta(E_{threshold} - E_t)$ . حيث $E_{bound}$ هو حد أدنى نظري مشتق من معاملات باولي.
الإنهاء: تنتهي الحلقة إذا انخفضت الطاقة عن حد معين (نجاح) أو إذا تم تجاوز حدود عدد البوابات أو العمق (فشل).

ج. الابتكارات الخوارزمية الرئيسية

العتبة التكيفية: بدلاً من هدف طاقة ثابت، تتطور العتبة ( $E_{threshold}$ ) ديناميكيًا. يتم تحديثها بناءً على أفضل طاقة تم العثور عليها ( $E_{best}$ ) مع هامش صغير ( $\xi$ ) لمنع الوكيل من الوقوع في النهايات الصغرى المحلية، بينما تعمل آلية ثانوية على تشديد العتبة بمجرد تحقيق الاستقرار.
تضاؤل $\epsilon$ -greedy المعدل: تُستخدم دالة تضاؤل مبتكرة لمعدل الاستكشاف $\epsilon$ ، تتناسب مع فهرس الحلقة بدلاً من إجمالي الخطوات، مما يضمن استكشافًا متسقًا طوال عملية التدريب.
القيود الهيكلية: لضمان الكفاءة في الأجهزة، يقتصر الوكيل على:
- عدم وجود بوابات أحادية الكيوبت متتالية متطابقة على نفس الكيوبت.
- تقييد بوابات CNOT بالكيوبتات المتجاورة فقط.

3. المساهمات الرئيسية

أول تصميم مؤتمت لـ VITE: هذه هي الدراسة الأولى التي تطبق DDQN لأتمتة تصميم الـ ansatz خصيصًا لطريقة VITE، وهي متميزة عن VQE أو QAOA.
تحسين مزدوج الأهداف: نجح إطار العمل في تحسين كل من دقة الطاقة (تقارب الحالة الأرضية) وتعقيد الدائرة (عدد البوابات/العمق) في آن واحد.
الآليات التكيفية: أدى إدخال العتبة الطاقية التكيفية ودالة المكافأة المنقحة إلى تحسين قدرة الوكيل بشكل كبير على الوصول إلى الدقة الكيميائية (Full-CI) دون معرفة مسبقة بطاقة الحالة الأرضية الدقيقة.
استخراج الهيكل العظمي (Skeleton Extraction): يوضح المؤلفون أنه من خلال تحليل الدوائر المتنوعة التي أنشأها وكيل RL، يمكنهم استخراج هيكل "هيكل عظمي" يحتفظ بالأنماط الوظيفية الأساسية مع إزالة الزيادات، مما يؤدي إلى دوائر أكثر كفاءة.

4. النتائج

تم تقييم إطار العمل على معيارين: مسألة Max-Cut (التحسين التوافقي) وهاملتونيان جزيء الهيدروجين ( $H_2$ ) (الكيمياء الكمومية).

أ. مسألة Max-Cut

الأداء: اكتشف الوكيل ذاتيًا دوائر تحتوي على بوابات أقل بنسبة ~37% وعمق أقل بنسبة ~43% مقارنة بنماذج SU(2) المعتمدة على الأجهزة.
الاكتشاف الأمثل: وجد الوكيل الدائرة المثالية نظرية (4 بوابات، عمق 1) للوصول إلى الحد الأدنى من الطاقة، مما يمثل انخفاضًا بنسبة 79% في عدد البوابات و86% في العمق مقارنة بالنموذج المرجعي.

ب. جزيء الهيدروجين ( $H_2$ )

التحدي الأولي: أدت التجارب المبكرة ذات العتبات الفضفاضة إلى تقارب الوكيل نحو تقريب Hartree-Fock بدلاً من حد Full-CI، حيث تفوقت مكافأة تقليل البوابات على الربح الطفيف للوصول إلى Full-CI.
النجاح المنقح: بعد تنفيذ دالة المكافأة المنقحة والعتبة التكيفية:
- ارتفع معدل النجاح في العثور على دوائر تصل إلى حد Full-CI من 0.38% إلى 8.91%.
- بالنسبة للدوائر التي حققت الدقة الكيميائية، حققت الطريقة تقليلًا بنسبة 31% في عدد البوابات و3DT% في العمق مقارنة بالنموذج المرجعي ( $p=2$ SU(2) ansatz).
استخراج الهيكل العظمي: من خلال تحليل دوائر RL الناجحة، استخرج المؤلفون دائرة هيكل عظمي مبسطة (7 بوابات، عمق 4) حققت دقة Full-CI، مما يمثل تقليلًا بنسبة 77% في عدد البوابات و64% في العمق مقارنة بالنموذج المرجعي.

5. الأهمية والآفاق المستقبلية

الوعي بالأجهزة: تثبت الدراسة أن التعلم التعزيزي يمكنه اكتشاف هياكل دوائر غير بديهية وعالية الكفاءة تتفوق على التوجهات المصممة بشريًا، والمصممة خصيصًا لقيود أجهزة NISQ.
ما وراء الحل في الوقت الفعلي: بينما تكلفة التدريب الحسابية عالية (أسابيع لـ 5,000 حلقة)، يرى المؤلفون أن القيمة الحقيقية لإطار العمل تكمن في:
1. توليد مجموعات بيانات تدريب عالية الجودة لنماذج التعلم الخاضع للإشراف.
2. استخراج الأنماط الهيكلية العالمية ("الهياكل العظمية") التي يمكن أن تعمل كإرشادات لبناء نماذج (ansatzes) مدمجة ومحددة للمشكلات في المستقبل.
القابلية للتوسع: يضع هذا العمل الأساس لتوسيع التصميم المؤتمت ليشمل الأنظمة الجزيئية الأكبر ومختلف مشكلات التعلم الآلي الكمومي، متجاوزًا التجربة والخطأ اليدوي في تصميم الخوارزميات الكمومية.

في الختام، توضح هذه الورقة أن التعلم التعزيزي العميق، عندما يقترن بالعتبة التكيفية والمكافآت المنقحة، يعد أداة قوية لأتمتة تصميم دوائر كمومية ضحلة وعالية الدقة لتطور الزمن التخيلي، مما يوفر مسارًا قابلاً للتطبيق نحو التفوق الكمي العملي على الأجهزة المشوبة بالضجيج.