⚛️ quantum physics

Reinforcement Learning Assisted Quantum Simulation of Many-Body Excited States and Real-Time Dynamics

توسع هذه الورقة البحثية نطاق حل القيم الذاتية الكمومية المتعاقد عليها بالتعلم التعزيزي (RL-CQE) لحساب حالات الإثارة الإلكترونية لعديد من الفيرميونات والديناميكيات في الوقت الفعلي بكفاءة، وذلك عبر توظيف شبكة Q عميقة لاختيار مؤثرات ثنائية الجسم مدمجة بشكل تكيفي، محققةً دقة كيميائية مع تمثيلات حالات قابلة للتوسع وتطور زمني ذي قياس ثابت.

المؤلفون الأصليون: Jiaji Zhang, Lipeng Chen, Carlos L. Benavides-Riveros

نُشر 2026-05-19

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jiaji Zhang, Lipeng Chen, Carlos L. Benavides-Riveros

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 حل لغز ضخم ومعقد. في عالم الكيمياء الكمومية، يتمثل هذا اللغز في معرفة كيفية سلوك الإلكترونات في الجزيئات، خاصة عندما تكون في حالة استثارة (مثلما يمتص النبات ضوء الشمس) أو عندما تتحرك بسرعة عبر الزمن.

تقليديًا، تشبه عملية حل هذا اللغز على حاسوب كمومي محاولة تسلق جبل عبر اتخاذ خطوات صغيرة وثابتة في كل الاتجاهات في آن واحد. هذا الأسلوب يعمل، لكنه بطيء، ويتطلب قدرًا هائلًا من الطاقة، وإذا اتخذت خطوة خاطئة، فقد تعلق في مكانك.

تقدم هذه الورقة البحثية طريقة أكثر ذكاءً لتسلق ذلك الجبل باستخدام "مرشد" يسمى التعلم التعزيزي (Reinforcement Learning - RL). إليك كيف تعمل الطريقة الجديدة للمؤلفين، مقسمة إلى مفاهيم بسيطة:

١. المشكلة: التسلق "دفعة واحدة"

الطريقة القديمة (المسماة CQE) تحاول تعديل حل اللغز بأكمله في وقت واحد. تخيل أنك تحاول إصلاح كرة متشابكة من الخيوط عن طريق شد كل خيط في وقت واحد؛ الأمر فوضوي، وغالبًا ما ينتهي بك المطاف بعقدة يصعب فكها. في المصطلحات الكمومية، يعني هذا أن الحاسوب يحتاج إلى تشغيل سلسلة طويلة ومعقدة من العمليات (دائرة عميقة) للوصول إلى الإجابة الصحيحة.

٢. الحل: "المرشد الذكي" (RL-CQE)

استبدل المؤلفون استراتيجية "شد كل شيء دفعة واحدة" بـ وكيل تعلم تعزيزي. فكر في هذا الوكيل كمتنزه ماهر يمتلك خريطة.

كيف يعمل: بدلًا من شد جميع الخيوط، ينظر هذا المتنزه إلى الحالة الراهنة للغز ويسأل: "أي حركة منفردة ستقربني من الحل في هذه اللحظة؟"
النتيجة: يختار المتنزه أفضل حركة، ينفذها، ثم يعيد التقييم. هذا يخلق مسارًا أقصر وأكثر مباشرة نحو الحل. وتظهر الورقة أن نهج "حركة واحدة في كل مرة" هذا يستخدم عددًا أقل بكثير من الخطوات (المؤثرات) مقارنة بالطريقة القديمة، مع الوصول إلى نفس المستوى العالي من الدقة (الدقة الكيميائية).

٣. التعامل مع حالات "الاستثارة"

عادةً ما تكون الحواسيب الكمومية بارعة في إيجاد "الحالة الأرضية" (الحالة الأكثر استقرارًا وهدوءًا للجزيء). لكن الطبيعة ديناميكية؛ فالجزيئات تُثار، وتقفز إلى مستويات طاقة أعلى، وتقوم بأشياء مذهلة.

التحدي: العثور على هذه الحالات المثارة يشبه محاولة العثور على قمم عدة جبال في وقت واحد.
الابتكار: قام المؤلفون بتكييف "المرشد الذكي" الخاص بهم للتعامل مع عدة جبال في وقت واحد. لقد أثبتوا أن المرشد يمكنه التنقل في هذه التضاريس المعقدة والمثارة بنفس كفاءة تنقله في الحالات الأرضية الهادئة. كما أظهروا أن المرشد لا يحتاج إلى معرفة الوزن الدقيق لكل جبل مسبقًا؛ إذ يمكنه استنتاج التوازن الصحيح من تلقاء نفسه، مما يجعله أكثر قوة وأقل عرضة للفشل.

٤. مشكلة السفر عبر الزمن: محاكاة الحركة

إن محاكة كيفية تغير الجزيء بمرور الوقت (الديناميكيات في الوقت الحقيقي) عادة ما تكون كابوسًا للحواسيب الكمومية.

الطريقة القدة: لمحاكاة ١٠ ثوانٍ من الزمن، قد تحتاج إلى تقسيمها إلى ١,٠٠٠ خطوة صغيرة. ولمحاكاة ١٠٠ ثانية، قد تحتاج إلى ١٠,٠٠٠ خطوة. تصبح "الدائرة" (قائمة التعليمات) أطول وأطول حتى يتوقف الحاسوب عن العمل.
الطريقة الجديدة: اكتشف المؤلفون خدعة. نظرًا لأنهم ينظرون إلى مجموعة من الحالات معًا (المجموعة المنقية)، يمكنهم إعادة استخدام نفس مجموعة "الحركات" طوال مدة المحاكاة.
التشبيه: تخيل أنك تسجل فيديو. الطريقة القديمة تشبه تصوير كل إطار على حدًا وتخزينها جميعًا، مما يتطلب مساحة تخزين هائلة. أما الطريقة الجديدة، فهي تشبه إدراك أن حركة الكاميرا تتبع نمطًا محددًا؛ فأنت تحتاج فقط إلى تخزين "النمط" (مجموعة الحركات الثابتة) ونقطة البداية. مهما بلغت مدة الفيديو، تظل "سعة التخزين" (حجم الدائرة) ثابتة. وهذا يسمح لهم بمحاكة التطور الزمني دون أن يثقل كاهل الحاسوب.

٥. الإثبات: الاختبار على جزيئات بسيطة

اختبر المؤلفون هذا "المرشد الذكي" على جزيئين بسيطين: الهيدروجين ( $H_2$ ) وسلسلة من ثلاث ذرات هيدروجين ( $H_3^+$ ).

النتائج: وجد المرشد مستويات الطاقة الصحيحة لهذه الجزيئات عبر أشكال ومسافات مختلفة بدقة مذهلة.
الكفاءة: فعل ذلك باستخدام عدد صغير جدًا من الخطوات (أحيانًا حركتين أو خمس حركات فقط)، بينما كانت الطريقة القديمة ستتطلب خطوات أكثر بكما.
الوقت: عند محاكاة حركة هذه الجزيئات عبر الزمن، ظل حجم "الدائرة" ثابتًا، مما يثبت أن الطريقة تتوسع بشكل جيد ولا تصبح أثقل مع مرور الوقت.

الملخص

باختًا، تقدم هذه الورقة طريقة جديدة لاستخدام الحواسيب الكمومية لدراسة كيفية سلوك الجزيئات عندما تكون مثارة أو متحركة. من خلال استخدام "مرشد ذكي" يعتمد على الذكاء الاصطناي لاختيار أفضل حركة واحدة في كل خطوة، ابتكروا طريقة هي:
١. أسرع: تحتاج خطوات أقل لحل اللغز.
٢. أذكى: تتعامل مع حالات الاستثارة المعقدة دون الحاجة إلى معرفة مسبقة مثالية.
٣. قابلة للتوسع: يمكنها محاكاة مرور الوقت دون أن يثقل كاهل الحاسوب بقائمة تعليمات متزايدة باستمرار.

هذا يقربنا من استخدام حواسيبنا الكمومية المحدودة اليوم لحل مشكلات حقيقية في الكيمياء والفيزياء كان من المستحيل محاكاتها سابقًا.

ملخص تقني: التعلم المعزز المساعد للمحاكاة الكمومية للحالات المثارة متعددة الأجسام والديناميكيات في الوقت الحقيقي

بيان المشكلة
لا يزال حساب الحالات الإلكترونية المثارة والديناميكيات الكمومية في الوقت الحقيقي للأنظمة متعددة الفيرميونات تحديًا جوهريًا، لا سيية للأجهزة الكمومية في مرحلة النماذج الأولية (near-term). تفشل الطرق القياسية أحادية المرجع غالبًا بسبب الطابع متعدد التشكيلات (multi-configurational) والتقارب الوثيق الموجود في هذه الحالات. وبينما يوفر حل "المتخصص الكمي المتقلص" (Contracted Quantum Eigensolver - CQE) نهجًا قابلًا للتوسع يعتمد على معادلة شرودنجر المتقلصة (CSE)، فإن توسيع نطاقه ليشمل الحالات المثارة عبر نهج المجموعة المنقاة (purified ensemble approach) يعاني من بطء التقارب والحساسية تجاه المعلمات الفائقة الحرجة، وتحديدًا متجه وزن المجموعة. علاوة على ذلك، تعتمد محاكاة التطور الزمني التقليدية عادةً على طريقة "تروتريزيشن" (Trotterization)، مما يؤدي إلى نمو غير محدود في عمق الدارات مع زمن المحاكاة، مما يشكل عائقًا كبيرًا أمام الديناميكيات طويلة الأمد.

المنهجية
يعمل هذا العمل على تعميم "المتخصص الكمي المتقلص المدعوم بالتعلم المعزز" (RL-CQE)، الذي تم تطويره سابقًا للحالات الأرضية، لمعالجة الحالات المثارة والديناميكيات في الوقت الحقيقي. يتضمن المنهج الجوهري ما يلي:

RL-CQE للحالات المثارة: يصيغ الخوارزم لعملية تحديث CQE كعملية قرار ماركوف (MDP). يعمل وكيل "الشبكة العميقة لـ Q" (DQN) كسياسة، حيث يختار بشكل تكيفي مؤثرًا ثنائي الجسم واحدًا من مجموعة من مؤثرات الكيوبت الخالية من الإشارة في كل تكرار. يتمثل تمثيل الحالة للوكيل في متجه بقايا "معادلة شرودنجر المضادة لعدم التبادل" (ACSE). ومن الأهمية بمكان أن بُعد متجه الحالة هذا يعتمد فقط على حجم قاعدة الجسيم الواحد وهو مستقل عن عدد الحالات المثارة المستهدفة ( $K$ ). يسعى الوكيل لتعظيم دالة المكافأة التي تجمع بين تقليل الطاقة وتقليل البقايا.
تكافؤ المؤثرات الخالية من الإشارة: وسع المؤلفون التحقق النظري من مؤثرات الكيوبت الخالية من الإشارة (التي تختلف عن مؤثرات فيرميون القياسية بعوامل إشارة غير محلية) إلى نظام الحالة المثارة، مظهرين تكافؤها مع المؤثرات الفرميونية الأصلية في هذا السياق.
التطور الزمني عبر بنية وحدوية مشتركة: لمحاكاة التطور الزمني $|\Psi(t)\rangle = e^{-i\hat{H}t}|\Psi(0)\rangle$ ، يستفيد المؤلفون من إطار المجموعة المنقاة حيث تتشارك جميع الحالات الذاتية المستهدفة نفس مجموعة التحويلات الوحدوية. ومن خلال توسيع الدالة الموجية المعتمدة على الزمن في قاعدة هذه الحالات الذاتية المشتركة، يتم التعبير عن التطور الزمني كطقم ثابت من التحويلات الوحدوية التي تعمل على حالة مرجعية تعتمد على الزمن. يتم تحضير هذه الحالة المرجعية باستخدام مجموعة ثانوية من الوحدويات، والتي يتم تحسينها أيضًا عبر التعلم المعزز (RL). يضمن هذا النهج بقاء العدد الإجمالي للمؤثرات ثابتًا بغض النظر عن زمن المحاكاة $t$ .

المساهمات الرئيسية

تعميم RL-CQE: أول تطبيق لـ RL-CQE للتحسين المباشر للدوال الموجية للحالات المثارة ضمن إطار حل المسائل الكمومية.
تمثيل حالة قابل للتوسع: تقديم تمثيل حالة يعتمد على بقايا ACSE يتوسع مع حجم القاعدة ولكنه يظل مستقلًا عن عدد الحالات المثارة، مما يتغلب على عقبة رئيسية في أساليب المجموعات.
القوة تجاه المعلمات الفائقة: إثبات أن الاختيار التكيفي للمؤثرات القائم على RL ينتج حلولاً أكثر قوة تجاه اختيار متجهات وزن المجموعة مقارنة بـ CQE التقليدي، الذي يتطلب ضبطًا دقيقًا خاصًا بكل نظام.
تطور زمني ذو توسع ثابت: تطوير خوارزمية تطور زمني تحافظ على حجم "أنسات" (ansatz) ثابت (عدد ثابت من المؤثرات) مستقل عن زمن المحاكية $t$ ، على عكس طرق "تروتر" التي ينمو عمقها خطيًا أو متعدد الحدود.
التوسيع النظري: التحقق من تكافؤ مؤثرات الكيوبت الخالية من الإشارة في إعداد الحالة المثارة، مما يوسع نتيجة تم إثباتها سابقًا للحالات الأرضية فقط.

النتائج
تم اختبار الخوارزمية على جزيء $H_2$ وأيون $H_3^+$ الخطي المتساوي المسافات عبر أطوال روابط مختلفة:

طاقات الحالات المثارة: بالنسبة لـ $H_2$ ، حقق RL-CQE دقة كيميائية (ضمن $10^{-3}$ Hartree من Full Configuration Interaction) باستخدام 5 تحويلات وحدوية على الأكثر. أثبتت الطريقة أنها غير حساسة إلى حد كبير لمتجه وزن المجموعة؛ حيث أدت متجهات الأوزان المتناقصة الصارمة البسيطة (مثل $[4, 3, 2, 1]$ ) أداءً مشابهًا للمتجهات المحسنة، بينما يعد CQE التقليدي حساسًا للغاية لهذا الاختيار.
كفاءة المؤثرات: في $H_2$ ، تقاربت الخوارزمية باستخدام مؤشرين فقط لمختلف أطوال الروابط، وهو عدد أقل بكثير من التحديثات المتزامنة المطلوبة في CQE التقليدي. بالنسبة لـ $H_3^+$ ، نجحت الطريقة في إعادة إنتاج منحنيات طاقة الوضع واختيار تسلسلات مؤثرات متميزة ومتكيفة مع الهندسة.
التطور الزمني: عند تطبيق خوارزمية التطور الزمني لـ RL-CQE على $H_2$ و $H_3^+$ ، حققت الخوارزمية دقة عالية (قريبة من الوحدة) بعدد ثابت من الخطوات (5 لـ $H_2$ و 20 لـ $H_3^+$ ) بغض النظر عن زمن المحاكاة $t \in [0, 20]$ وحدة زمنية (a.u.). وهذا يؤكد التنبؤ النظري بالتوسع الثابت في الزمن.

الأهمية
يزعم البحث أن التعلم المعزز (RL) يوفر إطارًا فعالًا ومرنًا لتقليل متطلبات الموارد الكمومية في الخوارزميات الهجينة (كمي-كلاسيكي). ومن خلال تمكين استخدام "أنسات" (ansätze) مدمجة وتحقيق تقارب قوي دون معرفة مسبقة بتناظر النظام أو ضبط معقد للمعلمات الفائقة، يعالج RL-CQE القيود الحرجة للمحللات الكمومية التباينية الحالية. إن القدرة على محاكاة الديناميكيات في الوقت الحقيقي بعدد ثابت من المؤثرات توفر مسارًا لديناميكيات متعددة الأجسام قابلة للتوسع على الأجهزة القريبة من المستقبل، مما قد يمتد ليشمل الأنظمة الكمومية المفتوحة، والديناميكيات غير المتوازنة، والأنظمة الجزيئية الأكبر حيث تصبح الطرق التقليدية غير قابلة للتطبيق. يضع هذا العمل أساسًا لاستخدام التعلم المعزز "الخالي من النموذج" (model-free) للتنقل في مشهد التحسين المعقد للكيمياء الكمومية دون الحاج det لبيانات التدرج (gradient) أو النمذجة الصريحة لتفاصيل الجهاز الكمي الداخلية.