ملخص تقني: قطرنة الفضاء الجزئي بمساعدة المرشح عبر تخلخل الدالة الموجية

بيان المشكلة

يعد التحديد الدقيق لطاقات الحالة الأرضية في الأنظمة متعددة الأجسام ذات الارتباط القوي تحديًا مركزيًا في الفيزياء والكيمياء الكمومية. وقد برزت تقنيات قطرنة الفضاء الجزئي، مثل التفاعل التكويني الكمي المختار (QSCI) والقطرنة الكمية القائمة على العينات (SQD)، كنهج واعدة تركز على الحوسبة الكمومية. تقوم هذه الطرق بتقريب الحالة الأرضية عن طريق إسقاط الهاملتوني على فضاء جزئي مختزل يتكون من حالات القاعدة الحسابية التي يتم اختيارها عبر أخذ العينات الكمية.

ومع ذلك، فإن أداء تقنية SQD القياسية محدود جوهريًا بمقايضة داخلية بين كفاءة أخذ العينات وتخلخل الدالة الموجية (Wavefunction Sparsity).

• التخلخل العالي: إذا كانت الدالة الموجية للحالة الأرضية متخلخلة للغاية (تهيمن عليها عدد قليل من التكوينات)، فإن تكرار أخذ العينات سيؤدي إلى الحصول على نفس السلاسل البتية المهيمنة، مما يجعل من الصعب تحديد حالات القاعدة الجديدة المطلوبة لتوسيع الفضاء الجزئي.
• التخلخل المنخفض: إذا كانت الدالة الموجية موزعة على نطاق واسع، فإن عدد لقطات القياس ($N_S$) المطلوبة لالتقاط حالات القاعدة ذات الصلة ينمو بسرعة، وقد يصل إلى النمو الأسي مع حجم النظام.

ومن الأهمية بمكان ملاحظة أن الدالة الموجية للحالة الأرضية نفسها ليست بالضرورة هي التوزيع الأمثل لأخذ العينات. وتفترض الورقة البحثية أنه يمكن التخفيف من حدة هذه المقايضة عن طريق هندسة توزيع أخذ العينات من خلال تحويل الهاملتوني لإحداث تخلخل في القاعدة الحسابية.

المنهجية: القطرنة المساعدة بالمرشح (FSQD)

يقترح المؤلفون بروتوكول القطرنة المساعدة بالمرشح (FSQD)، وهو بروتوكول يعمل على هندسة تخلخل الدالة الموجية باستخدام مرشح كمي. تتضمن المنهجية الأساسية ثلاثة مكونات رئيسية:

1. المرشح الكمي وتحويل الهاملتوني

يطبق البروتوكول تحويلًا وحدويًا $\hat{U}_Q$ (يتم تنفيذه بواسطة دائرة كمية $C_Q$) على الهاملتوني الأصلي $\hat{H}$:
$$\hat{H}' = \hat{U}_Q^\dagger \hat{H} \hat{U}_Q$$
الهدف هو تصميم $\hat{U}_Q$ بحيث تكون الحالة الأرضية للهاملتوني المتحول، $|\psi'_g\rangle = \hat{U}_Q^\dagger |\psi_g\rangle$، مركزة للغاية على حالة القاعدة الحسابية $|0\rangle^{\otimes n}$. هذا يركز "وزن" الدالة الموجية، مما يزيد فعليًا من تخلخلها في القاعدة الحسابية.

2. ترميز الدائرة عبر الشبكات الموترية

لبناء دائرة المرشح $C_Q$، يستخدم المؤلفون خوارزمية ترميز دائرة قائمة على الشبكة الموترية.

• يتم أولاً الحصول على حالة أرضية تقريبية $|\psi_{MPS}\rangle$ باستخدام طريقة مجموعة مصفوفة كثافة رينورماليشن (DMRG).
• بعد ذلك، يتم رسم هذه الحالة (MPS) إلى دائرة كمية تتكون من وحدات ثنائية الكيوبت محلية مرتبة في هيكل جدار الطوب (brick-wall structure).
• يقوم الترميز بتحسين الدائرة لتعظيم دقة المطابقة (fidelity) بين مخرجات الدائرة (المطبقة على $|0\rangle$) وحالة الـ MPS المستهدفة.

3. بناء العينة المسقطة

إن التطبيق المباشر للمرشح يؤدي إلى عينة مركزة بشدة على $|0\rangle$، مما يعيق توسيع الفضاء الجزئي. ولمعالجة ذلك، يقدم FSQD خطوة إسقاط:

• يتم إزالة مكون $|0\rangle$ المهيمن باستخدام المسقط $\hat{P}_{|\bar{0}\rangle} = \hat{I} - |0\rangle\langle 0|$.
• يتم بناء العينة لتوسيع الفضاء الجزئي من الحالة المسقطة $\hat{P}_{|\bar{0}\rangle} \hat{U}_Q^\dagger |\tilde{\psi}_g\rangle$.
• يسمح البروتوكول باستراتيجيتين للتنفيذ لهذا الإسقاط:
  1. الترميز المتسلسل: تقريب المسقط غير الوحدوي باستخدام دائرة وحدوية $\hat{U}_{|\bar{0}\rangle}$.
  2. الترميز المباشر: ترميز الحالة المسقطة الموحدة مباشرة في دائرة كمية.

4. الإطار النظري: مقاييس التخلخل

يضع المؤلفون رابطًا كميًا بين تخلخل الدالة الموجية والمتطلبات الموردية باستخدام:

• منحنى لورنز ($L(x)$): يصور توزيع الوزن التراكمي للدالة الموجية.
• معامل جيني ($G$): مقياس عددي للتركيز مشتق من منحنى لورنز.
• الحدود الموردية: تشتق الورقة حدودًا نظرية تظهر أن أبعاد الفضاء الجزئي المطلوبة ($N_R$) وعدد اللقطات ($N_S$) يتناسبان مع $(1-G)N$. إن معامل جيني الأعلى (التخلخل الأكبر) يعني أن $(1-G)$ أصغر، مما يقلل من عبء أخذ العينات.

النتيات الرئيسية

المعايير العددية (نموذج إيسينج الكمي)

تم اختبار البروتوكول على نموذج إيسينج الكمي مع مجالات عرضية وطولية لأحجام أنظمة تصل إلى $n=100$.

• تعزيز التخلخل: زاد المرشح بشكل كبير من معامل جيني. بالنسبة للحالة الأرضية الأصلية، كان قياس $(1-G)N$ أسيًا مع حجم النظام ($g \approx 0.7$). أما بالنسبة للحالات المفلترة، فقد اقترب القياس من سلوك الحالة الأكثر تخلخلًا ($g \approx 0$)، مما يشير إلى معامل جيني مستقل عن حجم النظام.
• دقة الطاقة: حقق FSQD تقديرات لأخطاء طاقة الحالة الأرضية أصغر بعدة مراتب من المقدار مقارنة بـ SQD القياسي لنفس عدد اللقطات.
• كفاءة القياس: كان أس الاضمحلال $\tau$ (حيث $\epsilon \propto N_S^{-\tau}$) أكبر بكثير لـ FSQD (على سبيل المثال، $\tau \approx 0.5$ لمرشحات ذات طبقتين) مقارنة بـ SQD القياسي ($\tau < 0.25$)، مما يشير إلى تقارب أسرع بكثير مع زيادة أخذ العينات.
• استقراء التباين: أدى استقراء تباين الطاقة إلى تحسين الدقة، مما أعطى تقديرات دقيقة للغاية للعينات المفلترة.

العرض التجريبي (IBM Quantum)

تم تنفيذ البروتوكول على معالج IBM Quantum Heron R2 (ibm kobe) للأحجام $n=20, 50, 100$.

• الأداء: تفوق FSQD باستمرار على SQD القياسي في دقة تقدير الطاقة عبر جميع أحجام الأنظمة.
• مقارنة العينات: أدت بناءات الحالة المسقطة (سواء الترميز المتسلسل أو المباشر) عمومًا إلى أخطاء أقل من العينة المفلترة غير المسقطة، لا سيما عند $n=20$ و $n=50$.
• تأثيرات الضجيج: أدى ضجيج الأجهزة إلى توسيع توزيع أخذ العينات (مما ساعد أحيانًا في توسيع الفضاء الجزئي للمرشح غير المسقط عند $n=100$)، ومع ذلك ظل التفوق العام لـ FSQD قائمًا. ومع ذلك، بالنسبة للأنظمة الأكبر، أصبحت ضوضاء الأجهزة وإعداد الحالة غير المثالي من القيود المهيمنة، مما قلل من الفجوة في الأداء بين أنواع المرشحات المختلفة.

الأهمية والادعاءات

تدعي الورقة أنها أرست قواعد القطرنة المساعدة بالمرشح كإطار عمل قوي وقابل للتوسع للحسابات الكمية متعددة الأجسام في نظام الارتباط القوي.

• تخفيف حدة المقايضة: المساهمة الرئيسية هي إثبات إمكانية التغلب على المقايضة الجوهرية بين كفاءة أخذ العينات وتخلخل الدالة الموجية من خلال هندسة توزيع أخذ العينات نفسه، بدلاً من مجرد تقليص الفضاء الجزئي بشكل أكثر صرامة.
• القابلية للتوسع: من خلال إعادة تشكيل التوزيع ليكون أكثر تخلخلًا، يقلل FSQD من عبء أخذ العينات من التدرج الأسي إلى التدرج متعدد الحدود (أو حتى التدرج المستقل عن حجم النظام) فيما يتعلق بمعامل جيني.
• العملية: تستخدم الطريقة دوائر قصيرة مشفرة بالشبكات الموترية متوافقة مع الأجهزة الكمية في عصر النماذج الأولية (NISQ)، ولا تتطلب تقدير الطور الكمي الكامل.
• العمومية: بينما تم استعراضها على نموذج إيسينج، يؤكد المؤلفون أن الإطار قابل للتطبيق على نماذج الشبكة الأوسع ذات الارتباط القوي ومشاكل الكيمياء الكمية.

يظل المؤلفون متواضعين بشأن قيود الأجهزة الحالية، مشيرين إلى أنه بينما يوفر FSQD ميزة واضحة، فإن التحسينات المستقبلية في إعداد الحالة، وتقريبات المسقط، وتخفيف الخطأ ضرورية لتحقيق كامل إمكاناته على الأجهزة الأكبر والأكثر ضجيجًا.