Universal Neural Propagator: Learning Time Evolution in Many-Body Quantum Systems

ملخص تقني: الناشر العصبي الشامل (UNP)

بيان المشكلة
تعمل الطرق التقليدية لمحاكاة الديناميكيات الكمومية متعددة الأجسام، سواء كانت تعتمد على الشبكات الموترية (Tensor Networks) أو الحالات الكمومية العصبية (NQS)، عادةً وفق نموذج "الحالة تلو الأخرى". فبالنسبة لهاملتونيان محدد $H(t)$ وحالة ابتدائية محددة $|\psi_0\rangle$، تقوم هذه الطرق بتحسين المعلمات المتغيرة (variational parameters) لتتبع التطور الزمني. وإذا تغير بروتوكول القيادة (الهاملتونيان) أو الحالة الابتدائية، يجب إعادة الحساب بالكامل من البداية. وبينما بدأت نهج "نماذج التأسيس" (Foundation Models) الحديثة في معالجة ذلك عبر التعلم عبر عائلات من الهاملتونيانات أو عبر عائلات من الحالات الابتدائية، إلا أن الطرق الحالية تنقل عبر بُعد واحد فقط من هذه الأبعاد، وليس كلاهما في آن واحد. هناك حاجة ماسة لـ "ناشر شامل" قادر على النقل عبر كل من الفضاء الدالي اللانهائي لبروتوكولات القيادة والفضاء الهيلبرتي الضخم من الحالات الابتدائية.

المنهجية
قدم المؤلفون الناشر العصبي الشامل (Universal Neural Propagator - UNP)، وهو نموذج موحد يتعلم الخريطة الدالية من بروتوكولات القيادة $H(t)$ مباشرة إلى مروجات التطور الزمني $U(t)$.

1. تمثيل الفضاء المزدوج: بدلاً من تتبع متجهات الحالة الفردية، يمثل الـ UNP المروج $\hat{U}(t)$ كحالة طبيعية في فضاء هيلبرت "مزدوج". في هذا الصياغة، تُعامل عناصر المصفوفة $U_{\alpha\beta}(t)$ كـ "سعات" (amplitudes) لحالة $|\Psi(t)\rangle$ حيث يقوم التكوين $\sigma$ بتشفير كل من الحالة الأساسية للمدخل $\beta$ وحالة المخرج $\alpha$. وتحديداً، تقوم الرموز المحلية (local tokens) $\sigma_i \in \{0, 1, 2, 3\}$ بتشفير أزواج من مؤشرات السبين $(\alpha_i, \beta_i)$. يسمح هذا باستخدام آليات الحالة الكمومية العصبية (NQS) لتمثيل العامل الضخم دون الحاجة لتخزين المصفوفة بشكل صريح.
2. البنية الهجينة: يستخدم الـ UNP بنية هجينة تجمع بين المؤثر العصبي فوريه (Fourier Neural Operator - FNO) والمحول ذاتي الانحدار (Autoregressive Transformer):
   • الـ FNO (الترميز الزمني): يتم معالجة بروتوكول القيادة $H(t)$، وهو دالة في الزمن، بواسطة الـ FNO. يقوم الـ FNO برسم خريطة لبروتوكول القي اعتماداً على الزمن إلى "رموز سياقية" $M(t)$ (تحديداً مسار السرعة $\dot{M}(t)$ الذي يتم تكامله للحصول على $M(t)$). يتعلم هذا المكون الاعتماد على التاريخ الدالي للقيادة.
   • المحول (الترميز المكاني): العمود الفقري هو "محول" (Transformer) من نوع (decoder-only) يعالج تكوينات السبين في الفضاء المزدوج $\sigma$. يستخدم الانتباه المتقاطع (cross-attention) لربط الارتباطات المكانية بالرموز السياقية $M(t)$ التي يولدها الـ FNO. يقوم المحول بإخراج السعة المركبة (اللوغاريتم الاحتمالي والطور) لعناصر مصفوفة المروج بطريقة ذاتية الانحدار، مما يتيح أخذ عينات دقيقة دون الحاجة لـ "سلاسل ماركوف مونت كارلو" (MCMC).
3. التدريب تحت الإشراف الذاتي: يتم تدريب النموذج بالكامل دون بيانات مسبقة الحساب أو مسارات خاضعة للإشراف. مشتق دالة الخسرة مستمد مباشرة من معادلة شرودنجر للمؤثر:
   $$i\partial_t \hat{U}(t) = \hat{H}(t)\hat{U}(t)$$
   تقلل دالة الخسارة من متبقي صيغة اللوغاريتم المشتق لهذه المعادلة، $i\partial_t \log U_{\alpha\beta}(t) - E_{\text{loc}}(\alpha, \beta, t)$، حيث $E_{\text{loc}}$ هو مقدر الطاقة المحلية. كما تُضاف "خسارة المرساة" (anchor loss) عند $t=0$ لفرض الشرط الابتدائي $\hat{U}(0) = I/\sqrt{D}$.

النتائج الرئيسية
تم اختبار الـ UNP على نموذج "إيزينج للمجال المستعرض" (TFIM) ثنائي الأبعاد بحدود مفتوحة.

• القدرة على النقل: نجح نموذج UNP واحد مدرب على التنبؤ بديناميكيات:
  • متعدد الحالات الابتدائية: كل من حالات الضرب في القاعدة الحسابية والحالات شديدة التشابك (تحديداً حالة GHZ). بالنسبة للحالات المتشابكة، يستفيد الـ UNP من الخطية عبر تطوير الحالات الأساسية المكونة لها وتراكب النتائج، مما لا يتطلب أي تحسين إضافي.
  • بروتوكولات القيادة: أدى النموذج أداءً دقيقاً في كل من البروتوكولات داخل التوزيع (سلسلة فوريه عشوائية استُخدمت أثناء التدريب) والبروتوكولات خارج التوزيع (نبضات غاوسية وارتفاعات tanh).
• الدقة: بالنسبة لنظام $4 \times 4$ (حيث يمكن إجراء التقطيع الدقيق - exact diagonalization)، حقق الـ UNP دقة حالة (fidelity) تتجاوز باستمرار 0.98، واستعاد الملاحظات المحلية (المغنطة، الارتباطات، الطاقة) بأقل قدر من الخطأ عبر الفترة الزمنية بأكملها.
• الضبط الدقيق (Fine-Tuning): أظهر المؤلفون أن المروج المدرب مسبقاً يمكن ضبطه بدقة لبروتوكول مستهدف محدد باستخدام بيانات الملاحظات المتفرقة فقط (من 20 حالة ابتدائية). قلل هذا الضبط الدقيق بشكل كبير من متوسط الخطأ المطلق (MAE) للملاحظات عبر 50 حالة ابتدائية غير مرئية، مما يشير إلى أن الإجراء يحسن المروج نفسه بدلاً من حفظ مسارات محددة.
• القابلية للتوسع: تم اختبار الإطار على نظام $6 \times 6$، وهو حجم يتجاوز قدرة التقطيع الدقيق، حيث طابقت تنبؤات الـ UNP للملاحظات المحلية نتائج محاكاة (tDMRG) عن كثب، مما يثبت قابليته للتوسع في أحجام الأنظمة الأكبر.

الأهمية والادعاءات
يدعي البحث أن الـ UNP يمثل خطوة ملموسة نحو محاكاة ديناميكيات كمومية قابلة للنقل وقائمة على نماذج التأسيس. ومن خلال نقل هدف التعلم من الحالات الكمومية الفردية إلى مؤثرات التطور الزمني (المروجات)، يتيح الـ UNP استخدام نموذج واحد لعدة بروتوكولات قيادة وحالات ابتدائية دون الحاجة لإعادة التدريب أو إعادة التحسين.

يؤكد المؤلفون أن تعميم النموذج لا ينبع من حفظ ديناميكيات حالة معينة، بل من تعلم الخريطة الدالية الأساسية بين بروتوكولات القيادة والمروجات. يوفر هذا النهج مساراً قابلاً للتوسع لمحاكاة المادة الكمومية الموجهة، خاصة في التطبيقات التي تتطلب مسحاً فعالاً للفضاء المشترك للبروتوكولات والحالات الابتدائية، مثل التحكم الكمي الأمثل وتصميم البروتوكولات. تشير هذه العمل إلى أن البنى العصبية يمكنها تمثيل ليس فقط الحالات، بل أيضاً المؤثرات التي تحكم التطور الزمني، مما يفتح نموذجاً جديداً لنماذج التأسيس الكمومية.