⚛️ quantum physics

Transformer refined quantum sampling for strongly correlated electronic structure

تقدم الورقة البحثية QiankunNet-QSCI، وهو إطار عمل هجين يجمع بين الكم والكلاسيكية يعتمد على "ansatz" تفاعل التكوين المختار الوحدوي (unitary selected configuration interaction) عالي الكفاءة الذي يتم تنفيذه على معالج Zuchongzhi 3.1 مع شبكة عصبية من نوع "transformer" لإعادة بناء الدوال الموجية الإلكترونية بدقة وتحقيق الدقة الكيميائية للأنظمة ذات الارتباط القوي مثل [2Fe-2S] ferredoxin وnitrogenase P-cluster على الأجهزة الكمية الحالية ذات المقياس المتوسط والمستوى المتوسط من الضجيج (NISQ).

المؤلفون الأصليون: Xiongzhi Zeng, Ming Gong, Bowen Kan, Yi Fan, Huan Ma, Jianbin Cai, Yancheng Liu, Naibin Zhou, Tao Jiang, Shaojun Guo, Zhijie Fan, Zongkang Zhang, Yuan Li, Sirui Cao, Kai Yan, Xiaobo Zhu, Yi Luo, Hongh

نُشر 2026-05-26

📖 3 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Xiongzhi Zeng, Ming Gong, Bowen Kan, Yi Fan, Huan Ma, Jianbin Cai, Yancheng Liu, Naibin Zhou, Tao Jiang, Shaojun Guo, Zhijie Fan, Zongkang Zhang, Yuan Li, Sirui Cao, Kai Yan, Xiaobo Zhu, Yi Luo, Honghui Shang, Zhenyu Li, Jian-Wei Pan, Jinlong Yang

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 العثَد على إبرة واحدة مثالية في كومة قش بحجم الكون بأكمله. هذا هو بالضبط ما يواجهه العلماء عندما يحاولون حساب سلوك الإلكترونات في الجزيئات المعقدة، مثل تلك الموجودة في عناقيد الحديد والكبريت أو الإنزيمات التي تساعد النباتات على صنع الأسمدة. "كومة القش" هي العدد الهائل من الطرق الممكنة التي يمكن للإلكترونات أن تترتب بها، و"الإبرة" هي ذلك الترتيب المحدد والوحيد الذي يمثل الحالة الحقيقية والمستقرة للجزيء.

تقدم هذه الورقة البحثية طريقة جديدة تسمى QiankunNet-QSCI تعمل كفريق هجين فائق الذكاء للعثور على تلك الإبرة بشكل أسرع وأكثر دقة من ذي قبل. وإليك كيف تعمل، مقسمة إلى خطوات بسيطة:

١. المشكلة: الكثير من الضجيج، وقليل من الوضوح

في الماضي، حاول العلماء استخدام الحواسيب الكمومية لحل هذه المشكلة. ومع ذلك، فإن الحواسيب الكمومية الحالية تشبه أجهزة الراديو "المشوشة"؛ فهي تلتقط الكثير من السكون (الأخطاء) الذي يغرق الإشارة الأصلية. إذا طلبت من حاسوب كمومي مشوش أن يبحث في كومة القش بأكملها، فإنه غالباً ما يعيد لك مجرد خليط عشوائي من القش، مما يهدر الوقت والطاقة.

٢. الحل: فريق "البحث والتحسين" المكون من خطوتين

ابتكر المؤلفون شراكة بين حاسوب كمومي وذكاء اصطناعي (AI) قوي لحل هذه المشكلة. فكر في الأمر كـ كشاف و رّسام خرائط.

الخطوة ١: الكشاف (الحاسوب الكمومي)

بدلاً من مطالبة الحاسوب الكمومي بحل المشكلة بأكملها دفعة واحدة (وهو ما لا يستطيع فعله حالياً دون ارتكاب أخطاء)، فإنهم يستخدمونه كـ كشاف مركز.

الخدعة: صمموا "خريطة" خاصة قصيرة جداً (تسمى USCI ansatz) للحاسوب الكمومي. تخبر هذه الخريطة الحاسوب بتجاهل الأجزاء الشاسعة والفارغة من كومة القش والتركيز فقط على المناطق الصغيرة والأكثر احتمالاً حيث قد تختبئ الإبرة.
النتيجة: على حاسوب كمومي حقيقي (Zuchongzhi 3.1)، نجح هذا الكشاف في تجاهل الضجيج ووجد قائمة صغيرة وعالية الجودة من "الإبر المرشحة" (ترتيبات محددة للإلكترونات). لم يجد الإجابة المثالية، لكنه وجد الحي المباشر الصحيح الذي تسكن فيه الإجابة.

الخطوة ٢: رسام الخرائط (محول الذكاء الاصطناعي - Transformer)

بمجرد أن يسلم الحاسوب الكمومي هذه القائمة الصغيرة عالية الجودة من المرشحين، يتولى الذكاء الاصطناعي (QiankunNet) المهمة.

المهمة: الذكاء الاصطناعي يشبه رسام خرائط بارع ينظر إلى الرسم الأولي الخشن الذي قدمه الكشاف ويملأ جميع التفاصيل المفقودة. إنه يستخدم نوعاً متطوراً من الذكاء الاصطناعي يسمى المحول (Transformer) (وهي نفس التقنية التي تقف وراء برامج الدردشة الحديثة) لفهم العلاقات المعقدة بين الإلكترونات.
السحر: يقوم الذكاء الاصطناعي بـ "إزالة الضجيج" من البيانات (إصلاح الأخطاء التي ارتكبها الحاسوب الكمومي) و"إعادة بناء" الصورة الكاملة. إنه يأخذ القائمة الصغيرة من المرشحين ويوسعها رياضياً للتنبؤ بالترتيب الكامل والمثالي للإلكترونات بدقة مذهلة.

٣. النتائج: حل "المستحيل"

اختبر الفريق هذه الطريقة على لغزين كيميائيين صعبين للغاية:
١. عنقود الحديد والكبريت ([2Fe-2S]): وهي آلة بيولوجية صغيرة توجد في الكائنات الحية. تمكن الفريق من حل بنيتها الإلكترونية بـ "دقة كيميائية" (بمعنى أن الإجابة دقيقة بما يكفي لتكون مفيدة للكيمياء الحقيقية) باستخدام حاسوب كمومي بقدرة ٤٠ كيوبت. يعد هذا إنجازاً كبيراً لأن الطرق السابقة كانت تواجه صعوبة في ضبط هذا الأمر على مثل هذه الأجهزة.
٢. عنقود النيتروجيناز P-Cluster: وهو جزيء أكبر وأكثر تعقيداً يشارك في صنع الأسمدة. طبقوا الطريقة على نظام ضخم يحتوي على ١١٤ إلكتروناً. ورغم أن الحاسوب الكمومي لم يستطع حل الأمر بمفرده، إلا أن الفريق الهجين حصل على إجابة قريبة جداً من أفضل نتيجة نظرية ممكنة.

الصورة الكبيرة

تزعم الورقة البحثية أن هذه الطريقة تثبت أننا لسنا بحاجة للانتظار حتى نصل إلى حواسيب كمومية "مثالية" للقيام بأعمال كيميائية مفيدة. فمن خلال استخدام الحاسوب الكمومي فقط لإيجاد نقطة البداية الصحيحة واستخدام الذكاء الاصطناعي للقيام بالعمل الثقيل المتمثل في التحسين، يمكننا حل المشكلات الجزيئية المعقدة اليوم.

باختاً مختصراً: يعمل الحاسوب الكمومي ككشاف ذكي يخترق الضجيج ليجد المكان الصحيح، بينما يعمل الذكاء الاصطناعي كفنان بارع يستخدم ذلك المكان لرسم الصورة الكاملة والدقيقة للجزيء.

ملخص تقني: أخذ العينات الكمي المُحسَّن بواسطة المحولات (Transformer) للأنظمة الإلكترونية ذات الارتباط القوي

بيان المشكلة
لا تزال محاكاة الأنظمة الإلكترونية ذات الارتباط القوي بدقة، مثل عناقيد المعادن الانتقالية، تشكل تحديًا مركزيًا في الكيمياء الحسابية. تواجه الطرق الكلاسيكية قيودًا كبيرة: فمن جهة، تفشل نظرية الدالة الوظيفية للكثافة (DFT) غالبًا بسبب أخطاء التمركز (delocalization) والارتباط الساكن في المسائل متعددة المراجع، ومن جهة أخرى، تعاني طرق الدالة الموجية المتقدمة مثل مجموعة رينورماليزيشن مصفوفة الكثافة (DMRG) من صعوبات في التوسع في الفضاءات النشطة عالية الأبعاد حيث تنمو أبعاد الروابط (bond dimensions) بشكل أسي. وفي المقابل، بينما يوفر الحوسبة الكمية مسارًا نظريًا للحلول الدقيقة عبر التراكب الكمي والتشابك، فإن الأجهزة الحالية ذات النطاق المتوسط المشوبة بالضجيج (NISQ) تعاني من أوقات تماسك قصيرة، ومعدلات خطأ عالية، وصعوبة في تصميم نماذج (ansätze) معبرة وفعالة من حيث الأجهزة. كما تعاني النهج الهجينة الحالية، مثل الخوارزمية التباينية لليجيني الذاتي (VQE) وطريقة التكوين التفاعلي المختار الكمي (QSCI)، من اختناقات محددة: حيث تواجه VQE مشكلات "الهضاب القاحلة" (barren plateaus) وصعوبات التحسين، بينما تستهلك QSCI القياسية موارد كمية في أخذ عينات من تكوينات زائدة أو ذات وزن منخفض، مما يؤدي إلى تقارب بطيء وتراكم الضجيج في النهايات.

المنهجية: QiankunNet-QSCI
يقترح المؤلفون إطار عمل هجينًا (كمي-كلاسيكي) يُدعى QiankunNet-QSCI، صُمم للتغلب على هذه الاختناقات من خلال فصل أدوار الأجهزة الكمية والتعلم الآلي الكلاسيكي. يعمل سير العمل في مرحلتين متمايزتين:

أخذ العينات الكمي المركّز (نموذج USCI):
بدلاً من استخدام المعالج الكمي كمحلل قيم ذاتية تبايني كامل، يتم استخدامه كـ "أداة أخذ عينات للمحددات المركزة". يقدم المؤلفون نموذج التفاعل التكويني المختار الوحدوي (USCI)، المصمم خصيصًا لأخذ العينات الكمية.

مبدأ التصميم: يعطي نموذج USCI الأولوية للتماسك والأهمية الكيميائية على حساب تغطية فضاء هيلبرت الكامل. ويتم بناؤه عبر إجراء فحص مسبق كلاسيكي منخفض التكلفة (مثل CISD أو HCI شبه العشوائي) لتحديد مجموعة مدمجة من المحددات ذات الأهمية الكيميائية.
بناء الدائرة: يستخدم النموذج عاملًا وحدويًا يتكون من دورات مدارية وعمليات إثارة مختارة (مشتقة من المجموعة المفحوصة مسبقًا) والتي يتم إسقاطها على الكيوبتات عبر تحويل جوردان-ويلجر (Jordan-Wigner). ومن الأهمية بمكان أن الدائرة مصممة لتكون ضحلة وفعالة من حيث الأجهزة، وغالبًا ما تعمل فقط على مجموعة فرعية من الكيوبتات ذات الصلة بالإثارات المهيمنة.
التنفيذ: يقوم المعالج الكمي (Zuchongzhi 3.1) بتنفيذ دائرة USCI لتوليد توزيع من السلاسل الثنائية (bitstrings). يتم تصفية هذه السلاسل بناءً على التماثل للاحتفاظ فقط بالتكوينات الصالحة فيزيائيًا (عدد الجسيمات واللف المغزلي الصحيح)، مما يحدد فضاءً فرعيًا مركزًا وذا صلة كيميائية.

التحسين الكلاسيكي (QiankunNet):
يتم تغذية العينات الكمية المتفرقة ولكن الحرجة في QiankunNet، وهو شبكة عصبية تعتمد على نموذج المحولات (Transformer).

البنية: يستخدم QiankunNet بنية "المحول المقتصر على فك الترميز" (decoder-only transformer) مع رؤوس منفصلة للسعة والطور. يقوم بمعالجة سلاسل إشغال محددات سلايتر كمتتاليات، مستخدمًا آلية الانتباه الذاتي متعدد الرؤوس لالتقاط الارتباطات المدارية بعيدة المدى.
الوظيفة: تتعلم الشبكة من البيانات المأخوذة من العينات الكمية لإزالة الضجيج من التوزيع، وإعادة بناء الدالة الموجية الإلكترونية الكاملة، وتحسين المعاملات تباينيًا. وهي تعمل بفعالية على "ملء الفجوات" في الفضاء الفرعي المأخوذ، وتصحيح الانحيازات الناتجة عن الأجهزة، مما يعطي تقريبًا غير منحاز للحالة الأرضية.

المساهمات الرئيسية

نموذج USCI: نموذج مدمج ومبتكر مصمم خصيصًا لأخذ العينات الكمية بدلاً من التحسين التبايني. فهو يضحي بالشمولية مقابل التماسك، مما يقلل من عمق الدائرة وعدد البوابات، مع ضمان أن الأجهزة الكمية تأخذ عينات من القطاع الأكثر هيمنة كيميائيًا في فضاء هيلبرت.
سير العمل الهجين: بنية ثنائية المرحلة تستفيد من الأجهزة الكمية لـ "أخذ عينات الأهمية" من فضاء المحددات، ومن الذكاء الاصطناعي الكلاسيكي لـ "إكمال الدالة الموجية" والتحسين. وهذا يتجنب مشكلات تراكم الضجيج في الدوائر التباينية العميقة.
عامل التجزئة المغزلية (Spin-Factorization) للتوسع: بالنسبة للأنظمة الكبيرة جدًا، يستخدم المؤلفون نهج تجزئة اللف المغزلي، حيث يتم تقسيم قنوات اللف $\alpha$ و $\beta$ إلى دوائر كمية منفصلة. يسمح هذا بمعالجة الفضاءات النشطة التي قد تتجاوز سعة الكيوبتات أو ترابط الأجهزة الحالية.

النتائج
تم التحقق من صحة الإطار عبر معالج Zuchongzhi 3.1 الكمي الفائق (105 كيوبت) عبر ثلاث تجارب مرجعية:

حلقة H₁₀ (20 كيوبت):

بالمقارنة مع نموذج LUCJ، أنتج نموذج USCI توزيعًا أكثر تركيزًا من السلاسل الثنائية الصالحة (256 فريدة مقابل ~635,000 لـ LUCJ) ونجح في تحديد التكوينات الفيزيائية المهيمنة.
وصل QiankunNet، الذي بدأ باستخدام عينات USCI، إلى الدقة الكيميائية ( $1.6 \times 10^{-3}$ Hartree) بسرعة أكبر بعدة مراتب من الترتيب مقارنة بالبدء العشوائي أو البدء بنموذج LUCJ.

عنقود الفيريدوكسين [Fe₂S₂(SCH₃)₄]²⁻ (40 كيوبت):

تمت محاكاة فضاء نشط مكون من 30 إلكترونًا و20 مدارًا (40 مدارًا مغزليًا).
ولّد نموذج USCI (بعمق 41 منطقي، و137 مجمع) حوالي $10^8$ من الضربات (shots)، مما أعطى ~34,500 محدد متسق مع التماثل.
حققت الطاقة النهائية الدقة الكيميائية ( $1.12 \pm 0.30 \times 10^{-3}$ Hartree) بالنسبة لنتائج DMRG المستقرأة، متفوقة بشكل كبير على طرق CCSD و CISD الكلاسيكية.

عنقود النيتروجيناز P-Cluster (ما يعادل 146 كيوبت):

تم التعامل مع فضاء نشط ضخم CAS(114e, 73o) (146 مدارًا مغزليًا) باستخدام دوائر USCI المجزأة مغزليًا على سجلين، كل منهما يحتوي على 73 كيوبت.
وفر أخذ العينات الكمي عامل إثراء كبيرًا (24×–60×) مقارنة بأخذ العينات العشوائي الموحد للسلاسل الصالحة للحفاظ على عدد الجسيمات.
بعد تحسين QiankunNet، انخفض الخطأ في الطاقة إلى حدود ~12–18 مللي هارتي من أفضل استقراء متاح لـ DMRG، مما يمثل أحد أكبر حسابات الفضاء النشائي الكيميائي الكمي التي تم عرضها على أجهزة فائقة التوصيل حتى الآن.

الأهمية والادعاءات
يزعم البحث أن QiankunNet-QSCI يوفر مسارًا عمليًا لحسابات البنية الإلكترونية الدقيقة المدعومة كميًا على أجهزة NISQ الحالية. ومن خلال تغيير دور المعالج الكمي من مُحسّن تبايني إلى آخذ عينات مركز، واستخدام الذكاء الاصطناعي لتحسين البيانات الناتجة، يتجاوز هذا الإطار قيود الضجيج والتوسع التي أعاقت تطبيقات الكيمياء الكمية سابقًا.

يؤكد المؤلفون أن هذا العمل يثبت أن الأجهزة الحالية، عند اقترانها بمعالجة كلاسيكية ذكية، يمكنها معالجة مسائل الارتباط القوي ذات الصلة كيميائيًا والتي كانت مستعصية سابقًا. وهم يضعون هذا العمل ليس كقدرة مستقبلية بعيدة، بل كحل حالي يؤسس لأنماط معمارية للابتكار المتسارع المدعوم كميًا في مجالات الحفز، واكتشاف الأدوية، وتصميم المواد. ويختتم البحث بأن قابلية التوسع لهذا النهج واعدة، حيث أن عدد الكيوبتات المطلوبة يتناسب خطيًا مع عدد المدارات النشطة، على عكس بعض طرق الشبكة الموتر الكلاسيكية حيث تزدل التكلفة بشكل أسي مع التشابك.