Evidence of Quantum Machine Learning Advantage with Tens of Noisy Qubits

ملخص تقني: أدلة على تفوق تعلم الآلة الكمي باستخدام عشرات الكيوبتات الضوضائية

بيان المشكلة
بينما تم إثبات تفوق الخوارزميات الكمية نظرياً على الطرق الكلاسيكية في مهام حوسبية محددة، فإن إثبات هذا التفوق على الأجهزة الحالية ذات المقياس المتوسط والضوضائية (NISQ) يظل تحدياً كبيراً. ويعد التعلم من البيانات الكمية، حيث تكون المدخلات والمعالجة بطبيعتهما كمية، مرشحاً رئيسياً للتفوق في المدى القريب. لقد أثبتت الأعمال النظرية السابقة أن البروتوكولات الكمية الكاملة (FQ)، التي تستخدم المعالجة المتماسكة للحالات الكمية، تمتلك تفوقاً أسياً تقاربياً على بروتوكولات "القياس أولاً" (MF)، التي تعتمد على قياسات ثابتة تليها معالجة كلاسيكية. ومع ذلك، ظل من غير المؤكد ما إذا كانت هذه الفجوة في الأداء تستمر عند المقاييس المحدودة (عشرات الكيوبتات) في ظل ظروف واقعية، بما في ذلك ضوضاء تحضير الحالة، وأخطاء البوابات، والاتصال المحدود، وعيوب القراءة.

المنهجية
يتقصى المؤلفون مهمة تعلم محددة تم تقديمها في المرجع [9]، حيث الهدف هو التنبؤ بنتيجة قياس مستهدف على حالات الطور العشوائية $|\psi_f\rangle$. تتطلب المهمة التنبؤ ببت $b = f(y) \oplus f(y \oplus \alpha)$ لدالة بولية خفية $f$ وبت هدف $\alpha$.

تستخدم الدراسة إطاراً مقارناً لتقييم نموذجين متنافسين:

1. بروتوكول الكم الكامل (FQ): يتم تعلم دائرة كمية متماسكة $U(\alpha)$ من بيانات التدريب وتطبيقها على الحالة الكمية قبل القياس. يحاكي المؤلفون هذا البروتوكول على ثلاثة نماذج عتادية متميزة (الجهاز A: اتصال شامل بين جميع الكيوبتات؛ الجهاز B: شبكة مربعة ذات دقة عالية؛ الجهاز C: شبكة مربعة ذات دقة أقل وزمن تماسك أقصر) لنمذجة الضوضاء الواقعية، بما في ذلك أخطاء البوابات، وفقدان التماسك أثناء الخمول ($T_1, T_2$)، وأخطاء القراءة.
2. بروتوكولات "القياس أولاً" (MF): تلتزم هذه الاستراتيجيات بمخطط قياس ثابت قبل ملاحظة الملصقات (labels). يحلل المؤلفون عدة نهج MF محسنة:
   • طرق قائمة على الظلال (Shadow-based): تشمل المقدرات المحلية، وظل المتجه الذاتي (المتجه الرئيسي للنمط الكثيف المعاد بناؤه)، ومصنف تعلم آلي (ML) مستنير بالفيزياء يقوم بضغط بيانات الظل إلى ميزات غلاف هامينج (Hamming-shell).
   • الطريقة القائمة على الرسم البياني الفائق (Hypergraph-based): نهج هيكلي يستغل الصيغة الطبيعية الجبرية للدالة البولية الأساسية.

المقياس الجوهري هو تعقيد العينات ($n_c$)، والمعرّف بعدد نسخ الحالة المطلوبة لكي يطابق بروتوكول MF دقة بروتوكول FQ ضمن هامش دلالة $\eta$. يستخدم المؤلفون خط معالجة محاكاة قابل للتوسع (حتى 22 كيوبت) ونموذج بديل (surrogate model) لظلال كلاسيكية لاستقراء الأداء لمقاييس أكبر (30-50 كيوبت).

المساهمات الرئيسية

• نمذجة الضوضاء الواقعية: يتجاوز البحث التعقيد التقاربي لتقييم الأداء تحت قنوات ضوضاء محددة ومدفوعة فيزيائياً (إزالة التماسك، الاسترخاء الحراري، التشتت) وقيود العتاد (الاتصال، أزمنة التماسك).
• النماذج الكلاسيكية المرجعية المحسنة: بدلاً من استخدام نماذج كلاسيكية عامة، طور المؤلفون واختبروا استراتيجيات MF خاصة بالمهمة، بما في ذلك طريقة شهادة الرسم البياني الفائق المبتكرة ومصنف ML متكيف مع الضوضاء، مما يضمن مقارنة صارمة.
• إطار محاكاة قابل للتوسع: تطوير محاكي لتقليص المسارات ونموذج بديل غاوسي لـ "توموغرافيا الظل" يسمح بالتقدير الفعال لدقة FQ وتعقيد عينات MF في مقاييس تتجاوز المحاكاة الكاملة للحالة.

النتائج

• التفوق في المقياس المحدود: تُظهر عمليات المحاكاة فصلاً واضحاً في الأداء عند مقاييس 30 إلى 40 كيوبت ضوضائي. عند هذا المقياس، تتطلب أكثر بروتوكولات MF كفاءة شهوراً أو سنوات من جمع البيانات لمطابقة دقة بروتوكول FQ، بافتراض دورة تجريبية قدرها 1 ميكروثانية.
• ديناميكيات تعتمد على الضوضاء: حجم التفوق حساس للغاية لنوع الضوضاء.
  • تحت الاسترخاء الحراري (تخميد السعة)، يكون التفوق أكثر وضوحاً. فبينما تعاني بروتوكولات MF (تحديداً طريقة الرسم البياني الفائق) من تدهور شديد بسبب انحياز القياس وانجراف التعداد، يظل بروتوكول FQ قوياً نسبياً.
  • تحت إزالة التماسك (dephasing)، يكون التفوق أصغر ولكنه لا يزال كبيراً، خاصة عند مستويات ضوضاء منخفضة.
• القيود العتادية: التفوق متاح في الأجهزة القريبة من المدى، لكنه مقيد بالاتصال والتماسك. الأجهزة ذات الاتصال الشامل (الجهاز A) أو الاتصال المحلي عالي الدقة (الجهاز B) تُظهر تفوقاً قوياً. الأجهزة الأقل جودة (الجهاز C) تتطلب تقييد المشكلة إلى أحجام مفاهيم أصغر ($|\alpha| = n_q/2$) للحفاظ على تفوق يمكن رصده.
• تحديد الاختناق: تحدد الدراسة أن الاختناق الأساسي لبروتوكول FQ ينتقل من الحوسبة الكلاسيكية إلى جمع البيانات. حيث يصبح مطابقة أداء FQ باستخدام استراتيجيات MF أمراً غير ممكن بسبب التوسع الأسي للقياسات المطلوبة، وليس بسبب الحدود الحوسبية.

الأهمية والادعاءات
يدعي البحث تقديم أول دليل ملموس على أن تفوق التعلم الكمي القوي يمكن الوصول إليه في الأجهزة القريبة من المدى باستخدام عشرات الكيوبتات الضوضائية. ويؤكد المؤلفون أن هذا التفوق ليس مجرد نتيجة تقاربية نظرية، بل هو صامد تحت ضوضاء العتاد الواقعية والمقاييس المحدودة.

تشمل الادعاءات الرئيسية المتعلقة بأهمية العمل ما يلي:

• قابلية الإثبات: حجم النظام المطلوب (30-40 كيوبت) ومستويات الضوضاء تقع ضمن نطاق الأجهزة الكمية الحالية أو المستقبلية القريبة، مما يشير إلى أن إثباتاً عملياً للتفوق الكمي في التعلم بات وشيكاً.
• الضوضاء كميزة: خلافاً للاعتقاد السائد بأن الضوضاء تقلل دائماً من التفوق الكمي، يُظهر المؤلفون أن قنوات ضوضاء معينة (مثل الاسترخاء الحراري) يمكن أن توسع الفجوة النسبية بين بروتوكولات FQ و MF عن طريق معاقبة استراتيجيات جمع البيانات الكلاسيكية بشكل غير متناسب.
• الأهمية العملية: رغم أن مهمة التعلم المحددة قد تبدو مصطنعة، إلا أن المؤلفين يجادلون بأنها تعمل كمعيار صارم لتحضير حالة الطور العشوائي والمعالجة المتماسكة. علاوة على ذلك، ترتبط المهمة بمراقبة التماثلات والتفاعلات في الأنظمة متعددة الأجسام، مع تطبيقات محتملة في المغناطيسية المتصارعة (frustrated magnetism) وزجاج المغناطيس (spin glasses).

يحافظ المؤلفون على نبرة متواضعة فيما يتعلق بالتعميم، مشيرين إلى أنه بينما أثبتت هذه المهمة المحددة وجود تفوق، فإن الفئة الأوسع من مشاكل التعلم بالبيانات الكمية من المرجح أن تشترك في هذه الخصائص، وإن كان ذلك يتطلب مزيداً من البحث للتأكيد. وتؤسس هذه الدراسة على أن الأداء النسبي للاستراتيجيات الكمية مقابل الكلاسيكية يعتمد بشكل حاسم على الطبيعة الفيزيائية للضوضاء بدلاً من مجرد معدل خطأ مجرد.