⚛️ quantum physics

Low-cost quantum error mitigation via auxiliary qubit return validation

تقدم هذه الورقة تقنية منخفضة التكلفة لتخفيف الأخطاء الكمومية تعمل على تحسين دقة النتائج من خلال الانتقاء اللاحق للطلبات بناءً على قياسات الكيوبت المساعدة، حيث تُرفض النتائج إذا أشار تحليل مخروط الضوء الخلفي الخاص بها إلى تجاوز احتمالية الفساد لعتبة قابلة للضبط.

المؤلفون الأصليون: Gilad Kishony, Avi Elazari, Ron Cohen, Lior Gazit

نُشر 2026-05-28

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Gilad Kishony, Avi Elazari, Ron Cohen, Lior Gazit

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 تقوم بخبز كعكة معقدة في مطبخ صاخب وفوضوي. لديك وصفة رئيسية (الحساب الكمي)، ولكن لكي تنجح، تحتاج إلى استخدام عدة أوعية وملاعق إضافية (الكيوبتات المساعدة) لخلط المكونات مؤقتًا.

في عالم مثالي، بمجرد انتهائك من استخدام وعاء ما، تقوم بغسله وإعادته إلى الرف، نظيفًا وفارغًا تمامًا (الحالة |0⟩). ولكن نظرًا لأن مطبخك صاخب (الضجيج الكمي)، فقد يصبح الوعاء متسخًا أحيانًا، أو قد تترك ملعقة بداخله عن طريق الخطأ. إذا لم تلاحظ ذلك، فقد تستخدم هذا الوعاء المتسخ في الخطوة التالية، مما يؤدي إلى إفساد الكعكة بأكملها.

تقدم هذه الورقة طريقة بسيطة ومنخفضة التكلفة للتحقق مما إذا كانت "الأوعية" نظيفة قبل الانتقال للخطوة التالية، مما يساعدك على إنقاذ أفضل الكعكات ورمي الكعكات التالفة.

الفكرة الجوهرية: فحص "الوعاء النظيف"

لاحظ المؤلفون أنه في العديد من الوصفات الكمية، يتم تصميم هذه الأوعية الإضافية لتعود إلى حالة نظيفة وفارغة بعد كل خطوة. فإذا كان من المفترض أن يكون الوعاء فارغًا ولكنك وجدته ممتلئًا (قياس الحالة |1⟩ بدلاً من |0⟩)، فأنت تعلم أن خطبًا ما قد حدث.

بدلاً من رمي كل الكعكات التي يبدو فيها الوعاء غير نظيف بشكل أعمى (وهو أمر قد يحدث فقط لأن عينيك كانت مشوشة أثناء الفحص)، ابتكروا نظامًا ذكيًا لتقرير أي الكعكات يجب إنقاذها.

كيف يعمل النظام: محقق "المخروط الضوئي"

تقترح الورقة النظر في تاريخ كل وعاء. هم يسمون ذلك "المخروط الضوئي الخلفي" (backward lightcone). فكر في الأمر كأنك محقق يتتبع مسرح الجريمة ليرى من كان بالقرب من الوعاء وما الذي قد يكون فعله به.

الفحص: في نقاط محددة من الوصفة، يقوم الكمبيوتر بفحص الأوعية الإضافية.
الرياضيات: إذا بدا الوعاء متسخًا، يسأل النظام: "هل هذا الاتساخ ناتج على الأرجوة عن خطأ كبير أثناء الخلط (خطأ في البوابة)، أم أنه مجرد تشوش في الرؤية أثناء الفحص (خطأ في القياس)؟"
القرار:
- إذا قالت الرياضيات إن احتمال وجود خطأ كبير هو الأرجح، يتم رمي الكعكة (رفضها).
- إذا قالت الرياضيات إن الاحتمال الأكبر هو مجرد تشوش في الرؤية، يتم الاحتفاظ بالكعكة.

هذا يسمح للنظام بأن يكون ذكيًا. فهو لا يرمي كل شيء يبدو خاطئًا قليلاً؛ بل يرمي فقط الأشياء التي من المؤكد تقريبًا أنها تالفة.

المقايضة: الجودة مقابل الكمية

تشرح الورقة عملية توازن كلاسيكية تسمى مقايضة الانحياز والتباين (Bias-Variance Trade-off).

الانحياز (الخطأ المنهجي): إذا احتفظت بكعكات سيئة، فإن مذاقك النهائي سيكون خاطئًا.
التباين (الضجيج الإحصائي): إذا رميت الكثير من الكعكات، فسيتبقى لديك عدد قليل جدًا لتذوقه، مما يجعل متوسط المذاق أقل موثوقية.

من خلال ضبط "مقبض الحساسية" (العتبة)، يمكن للمستخدم أن يقرر: "هل أريد أن أكون صارمًا للغاية وأحتفظ فقط بالكعكات المثالية (انحياز منخفض، ولكن عينات أقل)؟" أو "هل أريد الاحتفاظ بمزيد من الكعكات حتى لو كانت بعضها غير دقيق تمامًا (انحياز أعلى، ولكن عينات أكثر)؟"

النتائج: ثمن ضئيل مقابل مكسب كبير

أجرى المؤلفون عمليات محاكاة في هذه "المطابخ الصاخبة". ووجدوا أنه من خلال فحص الأوعية في كل خطوة (وليس فقط في النهاية)، استطاعوا:

اكتشاف 10% أكثر من الكعكات السيئة (تقليل السلبيات الكاذبة).
رمي 1% فقط من الكعكات الجيدة (الإيجابيات الكاذبة).

هذا يعني أنهم حصلوا على نتيجة أنظف بكثير دون أي هدر تقريبًا.

ميزة إضافية: "الخروج المبكر"

تذكر الورقة أيضًا جانبًا رائعًا. إذا فحصت الأوعية في منتصف الوصفة ورأيت فوضى عارمة، فلا داعما لإكمال خبز الكعكة. يمكنك التوقف فورًا. هذا يوفر الوقت والطاقة (وقت تشغيل وحدة المعالجة الكمية QPU) لأنك لا تضيع الموارد على كعكة محكوم عليها بالفشل بالفعل.

لماذا يهم هذا؟

أفضل جزء هو أن هذا لا يتطلب بناء مطبخ جديد ومكلف. فهو يعمل مع الأدوات الموجودة بالفعل. نظرًا لأن المجمعات الكمية الحديثة (مثل المجمع الذي يستخدمه المؤلفون، Classiq) تعرف بالفعل أين توجد هذه الأوعية الإضافية ومتى يجب أن تكون فارغة، يمكن إضافة هذا "الفحص" تلقائيًا دون الحاجة لأن يقوم البشر بفحص كل سلك يدويًا.

باختصار: هذه الطريقة تشبه مفتش مراقبة الجودة الذكي للحواسيب الكمية. فهي تفحص "نظافة" الأدوات المؤقتة أثناء العملية، وتستخدم القليل من الرياضيات لتقرير ما يجب الاحتفاظ به، وتساعد في الحصول على نتائج أفضل دون الحاجة إلى أجهزة جديدة باهظة الثمن.

ملخص تقني: تخفيف الخطأ الكمي منخفض التكلفة عبر التحقق من عودة الكيوبت المساعد

بيان المشكلة
تعد الحسابات الكمية في عصر "الكم ذو المقياس المتوسط المشوب بالضجيج" (NISQ) عرضة للضجيج بشكل كبير، مما يحد من عمق وتعقيد الدوائر التي يمكن استخراج نتائج ذات مغزى منها. وبينما لا يزال التصحيح الكامل للخطأ الكمي بعيد المنال، تظل تقنيات تخفيف الخطأ ضرورية لتعزيز فائدة الأجهزة الحالية. توجد فرصة هيكلية محددة في العديد من الخواريات الكمية، لا سيالما تلك التي تتضمن حسابات حسابية أو دوائر مولدة بواسطة المترجمات (compilers): حيث يتم تخصيص كيوبتات مساعدة (auxiliary qubits) بشكل متكرر لتخزين النتائج الوسيطة، ويتم "إلغاء حسابها" (uncomputed) صراحةً لإعادتها إلى الحالة $|0\rangle$ قبل إعادة استخدامها أو التخلص منها. في بيئة خالية من الأخطاء، تكون هذه العودة إلى الحالة $|0\rangle$ مضمونة بموجب التصميم. ومع ذلك، يمكن للضجيج وأخطاء البوابات أن تفسد هذه الحالات، مما يؤدي إلى مخرجات حسابية خاطئة. التحدي يكمن في اكتشاف هذه الأخطاء دون تحمل التكاليف العالية للأجهزة المطلوبة للتصحيح الكامل للخطأ، أو تكاليف أخذ العينات المفرطة لأساليب التخفيف التقليدية.

المنهجية
يقترح المؤلفون استراتيجية تخفيف خطأ منخفضة التكاليف تعتمد على الاختيار اللاحق (post-selection) باستخدام قياسات الكيوبت المساعد. وتتضمن المنهجية الجوهرية ما يلي:

القياس الاستراتيجي: إدراج قياسات في نقاط محددة في الدائرة حيث يُتوقع أن تعود الكيوبتات المساعدة إلى الحالة $|0\rangle$ (على سبيل المثال، عند نهاية الكتل الوظيفية في الدوائر الحسابية).
النمذجة الاحتمالية: لمراعاة عيوب الأجهزة، بما في ذلك أخطاء القياس، طور المؤلفون نموذج احتمالية بسيطًا. يحسب هذا النموذج احتمال أن يشير ناتج قياس معين (رصد الحالة $|1\rangle$ $∣1 ⟩$ ) إلى عملية تالفة مقابل خطأ في القياس.
- يأخذ النموذج في الاعتبار حجم "المخروط الضوئي الخلفي" (backward lightcone) (عدد البوابات $G_i$ التي يمكن أن تؤثر على قياس معين).
- يفترض احتمالات مستقلة لفشل البوابات ( $p$ )، واحتمالات انتشار الخطأ ( $r$ )، واحتمالات خطأ القياس ( $q$ ).
- يتم تقريب احتمال أن تكون المحاولة (shot) غير تالفة نظرًا لرصد الحالة $|1\rangle$ كالتالي: $\frac{q}{G_i r p + q}$ .
الاختيار اللاحق القائم على العتبة: يتم رفض المحاولات إذا تجاوز الاحتمال المقدر للتلف عتبة قابلة للضبط. يسمح هذا بالتحكم في المقايضة بين الانحياز (bias) والتباين (variance).
تكامل المترجم (Compiler Integration): تستفيد الطريقة من رؤية المترجمات عالية المستوى (تحديدًا Classiq) لتحديد أعمار الكيوبتات ونقاط إعادة الضبط تلقائيًا. هذا يحول اختيار نقاط التحقق من تحدٍ تصميمي يدوي إلى إجراء منهجي وقابل للتوسع.
الإلغاء المبكر (Early Abort): يدعم الإطار عمل التحقق في منتصف الدائرة، مما يسمح بالإنهاء المبكر للتنفيذات التالفة لتوفير وقت تشغيل وحدة المعالجة الكمية (QPU)، لا سيما في الدوائر العميقة ذات إعادة الاستخدام الواسعة للمساعدات.

المساهمات الرئيسية

تخفيف منخفض التكاليف: تتطلب التقنية تعديلات طفيفة لتنفيذ الدوائر الكمية، حيث تعتمد على الخصائص الهيكلية المتأصلة في العديد من التصاميم الخوارزمية (إلغاء حساب المساعدات).
مقايضة قابلة للضبط بين الانحياز والتباين: تقدم الطريقة عتبة قابلة للضبط تسمح للممارسين بتكييف استراتيجية التخفيف وفقًا لمتطلبات تطبيقات محددة، مما يوازن بين تقليل الانحياز المنهجي وزيادة التباين الإحصائي الناتج عن استبعاد المحاولات.
التنفيذ الآلي: من خلال استخدام الرؤية على مستوى المترجم، تعمل الطريقة على أتمتة تحديد مواقع القياس المثلى، مما يجعلها قابلة للتوسع ومناسبة للدوائر المعقدة والمصنعة آليًا.
القدرة على الإلغاء المبكر: يدعم النهج استراتيجيات "الإلغاء المبكر"، مما قد يقلل من وقت تشغيل وحدة المعالجة الكمية (QPU) عن طريق إيقاف التنفيذات التالفة قبل اكتمالها.

النتائج
أُجريت محاكاة عددية باستخدام دوائر تم تصنيعها بواسطة منصة Classiq تحت نموذج ضجيج واقعي على مستوى البوابة (أخطاء البوابات والقياس العشوائية). قارنت الدراسة ثلاث استراتيجيات: عدم وجود تحقق، التحقق فقط عند القياس النهائي، والتحقق عند كل نقطة إعادة ضبط متوقعة للمساعدات.

تقليل الخطأ: أدى التحقق من الكيوبتات المساعدة عند جميع نقاط إعادة الضبط المتوقعة إلى تقليل معدل السلبيات الكاذبة (المحاولات التالفة التي تم الاحتفاظ بها بشكل خاطئ) بنسبة تقارب 10% مقارنة بخط الأساس الذي لا يتضمن التحقق.
التكاليف الإضافية (Overhead): جاء هذا التحسن بتكلفة ضئيلة: حيث ارتفع معدل الإيجابيات الكاذبة (المحاولات الصحيحة التي تم استبعادها بشكل خاطئ) بنسبة 1% فقط تقريبًا.
القوة التشخيصية: أثبت التحقق في منتصف الدائرة تفوقه على التحقق من الحالة النهائية فقط. حيث وفرت القياسات البينية المرتبطة بمخاريط ضوئية خلفية أصغر ومحلية تغطية أفضل، مما سمح باكتشاف الأخطاء التي قد تنتشر دون اكتشافها حتى نهاية الحساب.

الأهمية والادعاءات
يزعم البحث أن التحقق القائم على المساعدات هو استراتيجية فعالة وعملية لتخفيف الخطأ في الأجهزة الكمية القريبة من الواقع. تكمن أهميتها الأساسية في قدرتها على تحقيق تخفيضات كبيرة في انحياز المقدر مع زيادة طفيفة في التباين، وهو ما يقابل تكلفة استبعاد حوالي 1% فقط من العينات الصحيحة.

يؤكد المؤلفون أنه بينما لا توفر هذه الطريقة حداً خالياً من الانحياز، إلا أنها مفيدة للغاية لأنها:

تتطلب حدًا أدنى من تعديل الدائرة.
تتكامل طبيعيًا مع تحليل إعادة استخدام الكيوبت على مستوى المترجم.
يمكن دمجها مع تقنيات أخرى لتصحيح أو تخفيف الخطأ.
مناسبة تمامًا للتطبيقات التي تعطي الأولوية لدقة المقدر على إنتاجية أخذ العينات الخام، مثل الخوارزميات التباينية وتقدير القيمة المتوقعة.

يضع هذا العمل هذه التقنية كإجراء منهجي وقابل للتوسع يستفيد من البنية التحتية للمترجمات لتعزيز موثوقية الحسابات في عصر الـ NISQ دون المطالبة بموارد أجهزة كبيرة.