⚛️ quantum physics

Accelerating Quantum Tensor Network Simulations with Unified Path Variations and Non-Degenerate Batched Sampling

تقدم هذه الورقة إطاراً موحداً يجمع بين تنوعات المسارات المستقلة عن الخطأ، وأخذ العينات المجمعة غير المنحلة، ومعلمات الانكماش المحسنة لتسريع محاكاة المسارات الكمومية القائمة على الشبكات الموترية بأكثر من $10^8\times$ مقارنة بالطرق التقليدية، مما يسد بفعالية فجوة الأداء بين تنفيذات متجه الحالة والشبكات الموترية.

المؤلفون الأصليون: Taylor Lee Patti, Paavai Pari, Yang Gao, Azzam Haidar, Thien Nguyen, Tom Lubowe, Daniel Lowell, Brucek Khailany

نُشر 2026-04-10

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Taylor Lee Patti, Paavai Pari, Yang Gao, Azzam Haidar, Thien Nguyen, Tom Lubowe, Daniel Lowell, Brucek Khailany

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 التنبؤ بالطقس لمدينة ضخمة وفوضوية. في عالم الحوسبة الكمومية، هذا "الطقس" هو سلوك الجزيئات الصغيرة التي تسمى الكيوبتات (qubits).

المشكلة هي أن محاكاة هذه الجزيئات أمر صعب للغاية. إذا كنت تريد الدقة الكاملة حول نظام مليء بـ"الضجيج" (أي الأخطاء)، فإن الرياضيات ستنفجر من حيث التعقيد. الأمر يشبه محاولة حساب الطقس لكل ذرة في المدينة في وقت واحد؛ وهذه هي مشكلة الـ "22n" المذكورة في الورقة البحثية: تصبح الرياضيات كبيرة جدًا وبسرعة هائلة بحيث تتعثر حتى أسرع الحواسيب الفائقة في العالم.

لحل هذه المشكلة، يستخدم العلماء حيلة تسمى المسارات الكمومية (Quantum Trajectories). فبدلاً من محاكاة المدينة الفوضوية بأكملها دفعة واحدة، يقومون بمحاكاة آلاف سيناريوهات "ماذا لو"، حيث تحدث الأخطاء بطرق مختلفة. إنه يشبه تشغيل مليون عملية محاكاة للطقس لمعرفة النتيجة الأكثر احتمالاً.

ورغم استخدام هذه الحيلة، إلا أن الطريقة القديمة كانت بطيئة للغاية. لقد وجد الباحثون ثلاثة اختناقات رئيسية وقاموا ببناء "شاحن توربيني" لإصلاحها. إليكم كيف فعلوا ذلك باستخدام أمثلة توضيحية بسيطة:

١. المشكلة: إعادة بناء الخريطة في كل مرة

الطريقة القديمة: تخيل أنك سائق توصيل لديك قائمة بـ١٠٠٠ طرد مختلف (أخطاء) لتوصيلها. في الطريقة القدة، قبل أن تنطلق لتوصيل كل طرد، كان عليك التوقف، وإخراج خريطة، وحساب أفضل مسار على الإطلاق من الصفر. ثم تقود وتوصل الشحنة، تتوقف، وتحسب مسارًا جديدًا للطرد التالي، ثم تقود مجددًا.
الاختناق: حساب ذلك المسار يستغرق وقتًا طويلًا، والقيام بذلك ١٠٠٠ مرة هو إهدار للطاقة.

الحل: تغيير المسارات الموحد (Unified Path Variations - UPV)
أدرك الباحثون أنه بينما تتغير الطرود (الأخطاء)، فإن الطرق (بنية الدائرة الكمومية) تبقى ثابتة إلى حد كبير.

التشبيه: بدلاً من حساب مسار جديد لكل طرد، قاموا بحساب المسار المثالي مرة واحدة وحفظوه. عندما يصل طرد جديد، يضعونه فقط على الخريطة الموجودة بالفعل. الخريطة لا تتغير، بل الحمولة هي التي تتغير فحسب.
النتيجة: توقفوا عن إضاعة الوقت في رسم الخريطة ملايين المرات. وفر هذا وحده قدرًا هائلًا من الوقت.

٢. المشكلة: توصيل طرد واحد في كل مرة

الطريقة القديمة: تخيل أن لديك شاحنة يمكنها حمل ١٠٠٠ صندوق. لكن البرنامج القديم لم يكن يسمح لك إلا بقيادة الشاحنة، ووضع صندوق واحد فقط، ثم العودة للمستودع، وتحميل الصندوق التالي، ثم القيادة مجددًا. كنت تقوم بـ١٠٠٠ رحلة مقابل ١٠٠٠ صندوق.
الاختناق: يُسمى هذا "العينات المتتابعة" (Sequential sampling)، وهو غير فعال بشكل مذهه.

الحل: أخذ عينات دفعات غير متداخلة (Non-Degenerate Batched Sampling - NBS)
تدرك الطريقة الجديدة أن الشاحنة ضخمة ويمكنها التعامل مع الكثير.

التشبيه: الآن، تحمل الشاحنة ١٠٠٠ صندوق دفعة واحدة. تسلك الطريق، وبدلاً من إنزال صندوق واحد، تُنزِل جميع الـ ١٠٠٠ في رحلة واحدة.
لمسة مبتكرة: اكتشفوا أيضًا طريقة للحصول على بيانات "إضافية" من المحطة الأخيرة للرحلة دون الحاجة للعودة أدراجهم. الأمر يشبه إدراك أنه عند الوجهة النهائية، يمكنك التقاط كومة كاملة من الصنادي Extra التي لم تكن مضطراً للذهاب لجلبها أصلاً.
النتيجة: انتقلوا من القيام بـ١٠٠٠ رحلة إلى القيام برحلة واحدة فقط للحصول على نفس كمية البيانات.

٣. المشكلة: استخدام حجم خاطئ للشاحنة

الطريقة القديمة: أجبر البرمجيات القديمة الجميع على استخدام شاحنة ذات حجم ثابت (مثلاً ٢٤ صندوقًا)، بغض النظر عما إذا كان الطريق ضيقًا أو واسعًا. وأحيانًا قد تكون سيارة فان صغيرة أسرع، لكن البرنامج لم يكن يسمح بتغيير النوع.
الاختناق: كنت عالقًا في حجم مركبة غير كفء.

الحل: واجهة مرنة (Flexible Interface)
قام الباحثون ببناء نظام جديد يتيح لك اختيار حجم الشاحنة المثالي لكل جزء من الرحلة.

التشبيه: إذا كان الطريق ضيقًا، نستخدم سيارة فان صغيرة. وإذا كان الطريق واسعًا، نستخدم شاحنة نقل عملاقة. لقد قاموا بتحسين حجم "الدُّفعة" (مجموعة الكيوبتات التي تتم معالجتها في آن واحد) لتكون الأكثر كفاءة لهذا العمل المحدد.
النتيجة: توقفوا عن وضع قطعة مربعة في ثقب مستدير، مما جعل العملية برمها أكثر سلاسة بك many.

الخاتمة الكبرى: ما مدى سرعة السرعة؟

من خلال دمج هذه الإصلاحات الثلاثة، حقق الباحثون شيئًا مذهلاً:

بالنسبة لـ "العينات غير النسبية" (جمع أكبر قدر ممكن من البيانات لتدريب الذكاء الاصطناعي): جعلو المحاكاة أسرع بمقدار ١٠٠,٠٠٠,٠٠٠ مرة ( $10^{8}$ ).
- تخيّل: إذا كانت الطريقة القديمة تستغرق ٣ سنوات لإنهاء محاكاة، فإن الطريقة الجديدة تنهيها في أقل من ثانية.
بالنسبة لـ "العينات النسبية" (بيانات إحصائية دقيقة تمامًا): جعلوا المحاكاة أسرع بمقدار ١,٠٠٠ مرة.
- تخيّل: مهمة استغرقت ١٠٠ يوم أصبحت تستغرق أقل من يوم.

لماذا يهم هذا؟

الأمر لا يتعلق بالسرعة فحسب؛ بل بالإمكانات.

الذكاء الاصطناعي للكم: يحتاج الذكاء الاصطناعي إلى كميات هائلة من البيانات ليتعلم كيفية إصلاح الحواسيب الكمومية. توفر هذه الطريقة الجديدة تلك البيانات فورًا، مما يسمح للذكاء الاصطناعي بتعلم كيفية تصحيح الأخطاء في الوقت الفعلي.
تصميم أجهزة أفضل: أصبح بإمكان المهندسين الآن محاكاة الأجهزة الكمومية المعقدة بسرعة أكبر بكثير، مما يساعدهم على تصميم أجهزة أفضل دون انتظار سنوات للنتائج.

باختصار، أخذت هذه الورقة بحثيةً عمليةً تشبه السير عبر البلاد خطوة بخطوة، وحولتها إلى قطار رصاصة سريع للغاية، مما سمح للعلماء باستكشاف العالم الكمومي بنطاق كان مستحيلاً في السابق.

1. بيان المشكلة

تعد محاكاة الأنظمة الكمومية ذات الضجيج أمراً مستعصياً من الناحية الحسابية. فبينما يمكن تمثيل الأنظمة الكمومية المثالية بمتجهات الحالة ( $2^n$ مدخل)، تتطلب الأنظمة ذات الضجيج مصفوفات كثافة ( $2^{2n}$ مدخل)، مما يجعل المحاكاة الدقيقة مستحيلة للأنظمة الكبيرة $n$ .

الحل الحالي: تقوم طرق المسار الكمومي (Quantum Trajectory Methods) بتقريب الأنظمة ذات الضجيج عبر أخذ عينات من مجموعة من $m$ من متجهات الحالة ( $2^n$ ) بدلاً من مصفوفة كثافة واحدة.
عنق الزجاجة: أدت التطورات الأخيرة في أخذ العينات المسبق للمسارات مع التنفيذ المجمع (PTSBE) إلى تسريع محاكاة متجهات الحالة بمقدار يصل إلى $10^6\times$ . ومع ذلك، فإن تطبيق PTSBE على محاكاة شبكة الموتر (Tensor Network - TN) لم يحقق سوى تسريع متواضع بنحو $\sim15\times$ .
الأسباب الجذرية لعدم الكفاءة:
1. إعادة حساب مسار الانكماش: تعيد طرق شبكة الموتر التقليدية حساب مسار الانكماش الأمثل لكل مجموعة خطأ مميزة ( $K_i$ ) وغالباً لكل عملية (shot)، وهي عملية مكلفة تعتمد على وحدة المعالجة المركزية (CPU-bound).
2. أخذ العينات المتسلسل: يتم جمع العينات واحدة تلو الأخرى، مما يمنع إعادة استخدام نتائج الانكماش الوسيطة.
3. المعلمات الفائقة غير المرنة: تستخدم التنفيذات الحالية أحجام دفعات (batch sizes) ثابتة وغير مثالية لعمليات انكماش الموترات، مما يفشل في تحسين الأداء بناءً على أعماق الدوائر أو قيود الأجهزة.

2. المنهجية

يقترح المؤلفون إطار عمل محسن لـ PTSBE يعتمد على شبكة الموتر، يعالج نقاط الاختناق الثلاث المذكورة أعلاه من خلال ثلاثة ابتكارات أساسية:

أ. تنوع المسارات الموحد (Unified Path Variations - UPV)

المفهوم: بدلاً من إيجاد مسار انكماش فريد لكل مجموعة خطأ $K_i$ ، يفترض UPV أن الأخطاء تحدث بجوار بوابات من نفس الحجم والموقع.
الآلية: تبني الخوارزمية طوبولوجيا شبكة موتر "خالية من الضجيج" ( $D$ ). لكل مجموعة خطأ $K_i$ ، يتم دمج الموترات (tensor merged) (انكماشها) للأخطاء في أقرب موترات البوابة المتماسكة.
النتيجة: تحافظ هذه العملية على طوبولوجيا الشبكة (الشكل، الرتبة، وعدد العمليات). وبالتالي، يمكن إعادة استخدام مسار انكماش واحد مُحسب مسبقاً ( $P_j$ ) لجميع مجموعات الخطأ وجميع العينات. هذا يلغي الحاجة إلى تكرار عمليات البحث عن المسار المكلفة التي تعتمد على وحدة المعالجة المركزية.

ب. أخذ العينات المجمع غير المتدهور (Non-Degenerate Batched Sampling - NBS)

المفهوم: الانتقال من أخذ العينات المتسلسل للعينات الفردية إلى المعالجة المجمعة للسلاسل الثنائية (bitstrings) الوسيطة.
الآلية:
- أخذ العينات النسبي: يحافظ على الإحصاءات الكمومية. يقوم بأخذ عينات بمقدار $m_i$ من التوزيع الهامشي الشرطي عند كل دفعة. ومن المهم أنه يعيد استخدام نتائج الانكماش الجزئية للسلاسل الثنائية المشتركة (prefixes) مثل $(s_1, ..., s_{j-1})$ ، مما يتجنب عمليات الانكماش المكررة.
- أخذ العينات غير النسبي: مصمم لجمع بيانات تعلم الآلة. يقوم باستخراج كميات هائلة من البيانات من الدفعة النهائية ( $B_f$ ). وبما أن الدفعة النهائية لا تتطلب انكماشات لاحقة، يمكن للنظام إجراء أخذ عينات شامل (استخراج جميع المدخلات عالية الاحتمالية) أو أخذ عينات مباشرة من متجه الجمهرة، مما يولد ملايين العينات بتكلفة إضافية ضئيلة.

ج. الواجهة المرنة والتحسين

المفهوم: طور المؤلفون واجهة محاكاة تسمح للمستخدمين بتحديد أحجام دفعات مخصصة ( $b_j$ ) لكل خطوة انكماش، بدلاً من الاعتماد على قيمة افتراضية ثابتة واحدة.
الآلية: تتيح هذه المرونة تحسين المعلمات الفائقة لإيجاد حجم الدفعة الذي يقلل من وقت انكماش الموتر لكل كيوبت. وجدت الدراسة أن أحجام الدفعات الأصغر (مثل $b=10$ ) غالباً ما تكون أكثر كفاءة بكثير من القيم الافتراضية القياسية (مثل $b=24$ ) المستخدمة في مكتبات مثل CUDA-Q.

3. المساهمات الرئيسية

تنوع المسارات الموحد (UPV): إطار عمل يفصل عملية البحث عن مسار الانكماش عن أخذ عينات الخطأ، مما يسمح لمسار واحد بخدمة آلاف أو ملايين محاكاة المسار.
أخذ العينات المجمع غير المتدهور (NBS): استراتيجية أخذ عينات تقضي على الانكماشات المتدهرة (المكررة) عن طريق تجميع النتائج الوسيطة واستغلال الدفعة النهائية لاستخراج البيانات عالية الحجم.
واجهة أخذ العينات المحسنة: إطار عمل مرن يكشف عن معلمات حجم الدفعة الفائقة، مما يمكن المستخدمين من ضبط الأداء لتناسب طوبولوجيا الدوائر والأجهزة المحددة.
التنفيذ: تم تنفيذ هذه الطرق باستخدام NVIDIA cuQuantum cuTensorNet، و CuPy، و Qiskit (لتوليد التمثيل الوسيط IR)، والتي تعمل على وحدات معالجة الرسوميات NVIDIA H100.

4. النتائج

قام المؤلفون باختبار تجريبي لـ PTSBE الخاص بشبكة الموتر المحسن مقابل محاكي الشبكة الموتر التقليدي CUDA-Q عبر دوائر كمومية عشوائية بعدد كيوبتات $n \in \{50, 75, 100, 150, 200\}$ وعدد بوابات متغير.

أخذ العينات غير النسبي (تعلم الآلة/جمع البيانات):
- حقق تسريعاً في جمع البيانات بمقدار $>10^8\times$ مقارنة بطرق المسار التقليدية.
- يتدرج التسريع مع عمق الدائرة ( $g$ ) وعدد الكيوبتات ( $n$ )، حيث تملأ الدوائر الأعمق المزيد من الحالات في الدفعة النهائية، مما يسمح لـ NBS بحصد المزيد من العينات الفريدة.
- أدى زيادة حجم الدفعة النهائية ( $b_f$ ) من 24 إلى 28 كيوبت إلى زيادة الإنتاجية، حيث يحدد حجم الدفعة النهائية الحد الأقصى للعينات الفريدة القابلة للاستخراج ( $\propto 2^{b_f}$ ).
أخذ العينات النسبي (الدقة الإحصائية):
- حقق تسريعاً قدره $\sim1000\times$ مع الالتزام الصارم بالإحصاءات الكمومية.
- يعتمد التسريع بشكل كبير على معلمات الدائرة ولكنه مستقل إلى حد كبير عن عدد العينات ( $m_i$ ).
- المحرك الرئيسي: القضاء على عبء البحث عن المسار (UPV) وتحسين أحجام الدفعات (على سبيل المثال، استخدام $b=10$ بدلاً من $b=24$ قلل وقت الانكماش لكل كيوبت من ~90 مللي ثانية إلى ~3.5 مللي ثانية).
تحليل العبء الإضافي (Overhead):
- في الطرق غير المحسنة، غالباً ما يتجاوز وقت البحث عن المسار وقت الانكماش بعدة مراتب (على سبيل المثال، مئات الثواني مقابل أقل من ثانية واحدة).
- مع استخدام UPV، يصبح وقت البحث عن المسار ضئيلاً، مما ينقل عنق الزجاجة بالكامل إلى عمليات الانكماش المسرعة بواسطة وحدة معالجة الرسوميات (GPU).

5. الأهمية

القابلية للتوسع: يزيل هذا العمل العوائق الحسابية الأساسية لمحاكة الأنظمة الكمومية ذات الضجيج عند مقاييس ذات صلة بتصميم الأجهزة الكمومية القريبة من المدى وتصحيح الأخطاء.
التكامل مع الذكاء الاصطناعي: إن التسريع الهائل في أخذ العينات غير النسبي ( $10^8\times$ ) يجعل من الممكن توليد مجموعات البيانات الضخمة وعالية الجودة المطلوبة لتدريب نماذج الذكاء الاصطناعي لتصحيح الخطأ الكمومي وتحسين الأجهزة.
القابلية للتطبيق العام: بينما تم تحسينه لأخذ العينات غير النسبي، فإن التقنيات (UPV وأخذ العينات المرن) توفر إطار عمل تسريع عام لأي محاكاة مسار لشبكة الموتر، بما في ذلك تلك التي تتطلب دقة إحصائية صارمة.
كفاءة الأجهزة: من خلال الاستفادة من التوازي الهائل لوحدات معالجة الرسوميات والقضاء على البحث عن المسار المعتمد على وحدة المعالجة المركزية، تزيد هذه الطريقة من استغلال البنية التحتية للحوسبة عالية الأداء (HPC) الحديثة (مثل مجموعات NVIDIA H100).

في الختام، يوضح البحث أنه من خلال توحيد مسارات الانكماش وتحسين استراتيجيات أخذ العينات، يمكن تسريع محاكة شبكات الموتر بعدة مراتب، مما يسد الفجوة بين المحاكاة الكمومية النظرية والهندسة الكمومية العملية القائمة على البيانات.