⚛️ quantum physics

Harnessing a 256-qubit Neutral Atom Simulator for Graph Classification

تُثبت هذه الورقة فعالية استخدام محاكي الذرات المتعادلة بسعة 256 كيوبت (Aquila) لحساب سمات نواة التطور الكمي لتصنيف الرسوم البيانية على مجموعة بيانات PROTEINS، محققةً أداءً أفضل قليلاً من النوى الكلاسيكية رغم وجود ضوضاء الأجهزة.

المؤلفون الأصليون: Edoardo Giusto, Gabriele Iurlaro, Bartolomeo Montrucchio, Alberto Scionti, Olivier Terzo, Chiara Vercellino, Giacomo Vitali, Paolo Viviani

نُشر 2026-05-07

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Edoardo Giusto, Gabriele Iurlaro, Bartolomeo Montrucchio, Alberto Scionti, Olivier Terzo, Chiara Vercellino, Giacomo Vitali, Paolo Viviani

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 أن لديك كومة ضخمة وفوضوية من هياكل البروتينات. بعضها عبارة عن "إنزيمات" (وهي الأدوات العاملة بجد داخل الخلية)، والبعض الآخر مجرد "بروتينات غير إنزيمية". مهمتك هي فرز هذه البروتينات إلى كومتين. في عالم الكمبيوتر، تشبه هذه البروتينات خرائط معقدة مكونة من نقاط (ذرات) وخطوط (اتصالات). وعادة ما يكون فرز هذه الخرائط مهمة بطيئة وصعبة للغاية بالنسبة لأجهزة الكمبيوتر العادية لأن الخرائط قد تكون ضخمة ومتشابكة.

يصف هذا البحث تجربة حاول فيها الباحثون استخدام نوع خاص من "الملعب الكمي" للقيام بمهمة الفرز هذه بشكل أسرع وأفضل. وإليك كيف فعلوا ذلك، مشروحاً بكلمات بسيطة:

الملعب الكمي: حقل من الذرات

بدلاً من استخدام شرائح الكمبيوتر القياسية، استخدم الباحثون آلة تسمى Aquila، قامت بتطويرها شركة QuEra وهي متاحة عبر Amazon. فكر في Aquila ليس كدماغ، بل كـ طاولة بلياردو عملاقة وقابلة للبرمجة.

الكرات: بدلاً من كرات البلياردو، تستخدم هذه الطاولة ذرات صغيرة عائمة (الروبيديوم).
الملاقط: تستخدم الآلة "ملاقط بصرية" غير مرئية (مثل أيدي الليزر) لالتقاط هذه الذرات وترتيبها في شبكة ثنائية الأبعاد مسطحة.
القواعد: تمتلك الذرات خدعة خاصة؛ فإذا اقتربت ذرتان من بعضهما البعض كثيراً، فلا يمكن لكلتيهما أن تكونا في حالة "طاقة عالية" في نفس الوقت. يُسمى هذا حظر ريدبرغ (Rydberg Blockade). إنها تشبه قاعدة تقول: "إذا وقف صديقان قريبين جداً من بعضهما، فلا يمكن لكليهما القفز للأعلى في نفس اللحظة". هذه القاعدة تخلق طبيعياً روابط بين الذرات، مما يحاكي هيكل الرسم البياني (Graph).

التحدي: ملاءمة قطع الأحجية

بروتينات مجموعة البيانات الخاصة بهم (المسماة PROTEINS) تشبه قطع الأحجية ذات الأشكال المختلفة؛ فبعضها يتكون من 10 نقاط، وبعضها من 200. ولأن آلة Aquila لها حد أقصى، فهي لا تستطيع استيعاب أكثر من 256 ذرة في المرة الواحدة.

ولاستخدام هذه الآلة، كان على الباحثين أخذ خرائط البروتين و"تسطيحها" على شبكة الآلة دون كسر الروابط. لقد استخدموا أداة ذكاء اصطناعي ذكية (شبكة عصبية) لإعادة ترتيب الذرات بحيث تتناسب الخريطة تماماً مع "طاولة البلياردو" الخاصة بالآلة مع احترام القواعد الفيزيائية للآلة.

التجربة: الرقصة الكمية

بمجرد ترتيب الذرات لتبدو مثل البروتين، لم يكتفِ الباحثون بمراقبتها، بل جعلوا الذرات "ترقص".

النبضة: قاموا بضرب الذرات بتتابع محدد من نبضات الليزر. هذا يشبه عزف مقطوعة موسيقية معينة على البيانو. تتفاعل الذرات مع هذه "الأغنية" من خلال تغيير حالات طاقتها.
القياس: بعد انتهاء الرقصة، التقطوا صورة فورية. قاموا بعدّ الذرات التي كانت في حالة "الطاقة العالية" والذرات التي كانت في حالة "الطاقة المنخفضة".
البصمة: أنتج هذا العدّ "بصمة" فريدة (توزيع احتمالي) لهذا البروتين المحدد.

السحر: النواة الكمية (Quantum Kernel)

استخدم الباحثون خدعة رياضية تسمى نواة التطور الكمي (QEK). فكر في هذا كطريقة لقياس مدى تشابه بصمتين.

إذا كانت البروتينات تمتلك "حركات رقص" متشابهة جداً (أنماط طاقة)، فإن الآلة تقول إنها على الأرجح من النوع نفسه (كلاهما إنزيم أو كلاهما غير إنزيمي).
إذا كانت رقصاتها مختلفة تماماً، فإن الآلة تقول إنها مختلفة.

قاموا بتغذية هذه البصمات في برنامج كمبيوتر قياسي (آلة ناقلات المتجهات - Support Vector Machine) لاتخاذ القرار النهائي بشأن الكومة التي ينتمي إليها البروتين.

النتائج: هل فازت الآلة الكمية؟

اختبر الباحثون هذه الطريقة على مجموعتين من البيانات:

المجموعة الصغيرة (12 ذرة): اختبروا الطريقة على مجموعة فرعية صغيرة أولاً لضبط "أغنية الليزر" (معايير النبض) للحصول على أفضل النتائج. ووجدوا أن "أغنية" جديدة ومحسنة تعمل بشكل أفضل من النسخ القديمة.
المجموعة الكبيرة (256 ذرة): ثم أجروا التجربة الكاملة على آلة Aquil الحقيقية مع مجموعة البيانات الأكبر.

النتيجة:

أدى الأسلوب الكمي أداءً يساوي في جودته أفضل طرق الكمبيوتر التقليدية لفرز هذه البروتينات.
في الواقع، في المجموعة البيانات الأصغر، تفوق الأسلوب الكمي المحسن قليلاً على الطريقة التقليدية.
على الرغم من أن الآلة الكمية "صاخبة" (أي أنها ترتكب أخطاء صغيرة، مثل طاولة بلياردو مهتزة قليلاً)، إلا أن النتائج كانت قوية.

الخلا الخلاصة

يثبت هذا البحث أنه يمكنك أخذ مشكلات الرسوم البيانية المعقدة (مثل فرز البروتينات)، ورسمها على محاكي كمي مكون من 256 ذرة، والحصول على نتائج مفيدة. إنها "إثبات مفهوم" يوضح أنه حتى مع وجود أجهزة كمية حالية غير مثالية، يمكننا البدء في حل مشكلات الرسوم البيانية الحقيقية التي يصعب على أجهزة الكمبيوتر العادية حلها.

لم يدّعوا أن هذا سيشفي الأمراض غداً أو يستبدل جميع أجهزة الكمبيوتر. لقد أظهروا ببساطة أن "الرقصة الكمية" تعمل بشكل جيد بما يكفي لفرز خرائط البروتينات هذه، مما يمهد الطريق لتجارب مستقبلية أكثر قوة.

ملخص تقني: تسخير محاكي الذرات المحايدة بـ 256 كيوبت لتصنيف الرسوم البيانية

بيان المشكلة
يُعد تصنيف الرسوم البيانية (Graph classification) مهمة مكثفة حوسبياً ذات تطبيقات في مجالات البيولوجيا، والاتصالات، والعلوم الاجتماعية. وبينما توفر تعلم الآلة الكمومي (QML) مزايا محتملة نظراً للحجم الأسي لفضاء هيلبرت، فإن تنفيذ هذه الخوارزميات على الأجهزة الحقيقية يمثل تحدياً. وتحديداً، تقدم منصات الذرات المحايدة، التي تعمل في الوضع التناظري (analogue mode) باستخدام حالات ريدبرج (Rydberg states)، قيوداً فريدة. فخلافاً للحواسيب الكمومية القائمة على البوابات الشاملة، تعتمد هذه المحاكيات غالباً على نبضات عالمية وتمتلك اتصالاً يُعرف بنصف قطر حظر ريدبرج (Rydberg blockade radius)، والذي يتوافق طبيعياً مع رسوم الوحدة القرصية (Unit-Disk graphs). كما أن ندرة الأجهزة الكمومية المتاحة للجمهور والضجيج المتأصل في الأجهزة الحالية يجعل تنفيذ مهام تعلم الآلة الكمومي، مثل استخراج الميزات عبر نوى التطور الكمومي (QEK)، أمراً غير بديهي.

المنهجية
يقترح المؤلفون سير عمل هجيناً (كمي-كلاسيكي) لتصنيف رسوم البروتينات من مجموعة بيانات PROTEINS (المصنفة كإنزيمات أو غير إنزيمات) باستخدام محاكي الذرات المحايدة Aquala المكون من 256 كيوبت والمتاح عبر AWS Braket.

تضمين الرسم البياني (Graph Embedding): بما أن Aquila ينفذ أصلياً رسوم الوحدة القرصية (UD graphs)، يجب تضمين رسوم البروتينات العامة في سجل ذرات ثنائي الأبعاد. يستخدم المؤلفون نموذج DEN المعزز عصبياً لإيجاد تضمينات UD قابلة للتنفيذ، مع الالتزام بقيود الأجهزة المحددة: مساحة سجل تبلغ $75\mu m \times 76\mu m$ وتباعد صفوف منفصل قدره $4\mu m$ .
نواة التطور الكمومي (QEK): تتضمن الخوارزمية الجوهرية تطور حالة كمومية تحت هاميلتوني (Hamiltonian) يعتمد على الزمن، ويتكون من حدود خلط ( $\hat{H}_\theta$ $\hat{H}_{θ}$ ) وحدود آيزينج ( $\hat{H}_G$ $\hat{H}_{G}$ ) متبادلة. يتم تحديد التطور بواسطة مجموعة معاملات $\Lambda = \{\theta_0, t_0, \theta_1, t_1, \theta_2\}$ $Λ = {θ_{0}, t_{0}, θ_{1}, t_{1}, θ_{2}}$ .
- يتطور النظام، وتؤخذ القياسات في القاعدة الحسابية.
- تقوم المعالجة اللاحقة بتحويل السلاسل النصية الثنائية للقياسات إلى توزيعات طاقة.
- يتم تقسيم هذه التوزيعات لتكوين متجهات احتمالية.
- تُحسب مسافة النواة بين رسمين بيانيين باستخدام تباعد جينسن-شانون (JS divergence) لتوزيعات الاحتمال الخاصة بهما: $K_\mu(G, G') = e^{-\mu JS(P, P')}$ .
التحسين (Optimization): يتم استخدام إجراء التحسين البايزي (Bayesian optimization) لإيجاد معاملات الموجة المثلى ( $\Lambda_{BO}$ ) التي تزيد من درجة F1 إلى أقصى حد. يتم إجراء هذا التحسين على مجموعة فرعية أصغر (PROTEINS12، بحد أقصى 12 عقدة) عبر محاكاة كلاسيكية باستخدام إطار عمل Bloqade لتجنب التكلفة العالية لطلبات التشغيل الكمومي (quantum shots) أثناء عملية البحث.
التصنيف: يتم تغذية مصفوفة النواة الناتجة في آلة ناقلات الدعم (SVM) مع معلمات فائقة (hyperparameters) مرجحة للفئات للتعامل مع عدم توازن مجموعة البيانات.

المساهمات الرئيسية

أول تنفيذ في العالم الحقيقي: يقدم هذا العمل أول تنفيذ لمسار تصنيف الرسوم البيانية القائم على QEK على محاكي حقيقي للذرات المحايدة مليء بالضجيج (Aquila) يحتوي على ما يصل إلى 256 كيوبت.
التضمين المدرك للأجهزة: قام المؤلفون بتكييف نموذج تضمين DEN ليتوافق مع القيود الفيزيائية المحددة لمنصة Aquila (النبضات العالمية، الصفوف المنفصلة)، مما يسمح برسم أي رسوم بيانية إلى الاتصال الأصلي للأجهزة.
تحسين المعلمات: من خلال التحسين البايزي، استخلص المؤلفون مجموعة جديدة من معاملات النبض ( $\Lambda_{BO}$ ) تقلل إجمالي مدة البروتوكول بنسبة 33% تقريباً مقارنة بالمعلمات المنشورة سابقاً ( $\Lambda_a$ )، مما يقلل من آثار فك الترابط (decoherence).
المقارنة المرجعية (Benchmarking): توفر الدراسة مقارنة مرجعية صارمة بين النهج الكمومي ونواة المسار الأقصر الكلاسيكية (SPK) ومع مجموعات مختلفة من المعلمات عبر كل من البيئات المحاكاتية والأجهزة الحقيقية.

النتائج

المحاكاة الكلاسيكية (PROTEINS12): تفوقت المعلمات المحسنة ( $\Lambda_{BO}$ ) على معلمات الأدبيات ( $\Lambda_a$ ) وعلى SPK الكلاسيكي من حيث درجة F1 (46.3% مقابل 44.1% لـ SPK) والدقة، رغم صغر حجم مجموعة البيانات وعدم توازن الفئات.
الأجهزة الحقيقية (Aquila):
- PROTEINS12: حقق QEK المحسن الذي نُفذ على Aquila درجة F1 بلغت 49% ودقة بلغت 63.7%، متفوقاً على كل من SPK الكلاسيكي (F1 44.1%) والنتائج المحاكاتية. وقد أعطت مدة البروتوكول الأقصر ( $\Lambda_{BO}$ ) نتائج أفضل من بروتوكول $\Lambda_a$ الأطول، مما يشير إلى تقليل تأثير الضجيج.
- PROTEINS256: في مجموعة البيانات الأكبر (بحد أقصى 256 عقدة)، حقق QEK المحسن درجة F1 بلغت 65.6% ودقة بلغت 65.4%، وهي نتيجة مماثلة لـ SPK الكلاسيكي (F1 65.3%).
كفاءة الطلبات (Shot Efficiency): كشف تحليل إحصائي أن تقليل عدد طلبات القياس من 1,000 إلى 100 أدى إلى انخفاض في الأداء بنسبة ~1% فقط، بينما أدى التقليل إلى 10 طلبات إلى انخفاض كبير.

الأهمية والادعاءات
يدعي البحث إمكانية تنفيذ أعباء عمل تعلم الآلة الكمومي لمشكلات الرسوم البيانية مع مئات العقد واتصال عشوائي على منصات الذرات المحايدة الحالية. ويؤكد المؤلفون أنه على الرغم من الضجيج وعدد الكيوبتات المحدود في الأجهزة الحالية، فإن طريقة QEK المحسنة تحقق أداءً تنافسياً ضد النوى الكلاسيكية. ويفترضون أنه مع توسع بنيات الذرات المحايدة في عدد الكيوبتات والدقة، فإن خرائط الاتصال المتأصلة فيها قد توفر مزايا متميزة لتحليلات الرسوم البيانية. يعمل هذا العمل كـ "أول إثبات للمفهوم" للاستفادة من هذه المحاكيات الكمومية المحددة لمهام تعلم الآلة العملية، مع تسليط الضوء على أهمية التصميم المشترك مع قيود الأجهزة (مثل قيود النبضات العالمية ومتطلبات التضمين).