Sparse Quantum Voxel Encoding for Readout-Efficient Molecular Geometry Reconstruction on NISQ Devices

ملخص تقني: ترميز الفوكسل الكمي المتناثر لإعادة بناء الهندسة الجزيئية بكفاءة القراءة

بيان المشكلة
تواجه النهج الكمية الحالية للنمذجة التوليدية والتصميم الجزيئي "عنق زجاجة في القياس". فبينما يمكن لطرق مثل "ترميز السعة" (amplitude encoding) تمثيل الهياكل الجزيئية بكثافة معلومات أسية (باستخدام $n$ من الكيوبتات لتخزين $2^n$ من السعات)، فإن استخراج الهندسة الجزيئية الكاملة من مثل هذه الحالات يتطلب "توموجرافيا الحالة الكمية الكاملة" (full quantum state tomography). وتعد هذه العملية مكلفة للغاية على أجهزة الحوسبة الكمية ذات المقياس المتوسط ذات الضجيج (NISQ)، حيث تتطلب $O(3^n \times 10^{2-3})$ من لقطات القياس لتحقيق دقة إحصائية. أما مخططات الترميز البديلة، مثل "ترميز الزاوية" (angle encoding)، فتتجنب تكاليف الإعداد الأسية ولكنها تعاني من غموض في إعادة البناء، مما يجعل استرداد المعاملات المدخلة من الحالات المتشابكة أمراً مستعصياً. وبناءً على ذلك، هناك نقص في التمثيلات العملية ذات كفاءة القراءة والتي تسمح بإعادة بناء الهندسة الجزيئية ثلاثية الأبعاد مباشرة من نتائج القياس الخام على الأجهزة المتاحة حالياً.

المنهجية: ترميز الفوكسل الكمي المتناثر (Sparse Quantum Voxel Encoding)
يقترح المؤلفون "ترميز الفوكسل الكمي"، وهو تمثيل للقاعدة الحسابية المتناثرة يحول عملية إعادة بناء الجزيء من مشكلة توموجرافيا أسية إلى مشكلة استرداد دعم متعددة الحدود. تسير المنهجية كما يلي:

1. التجزئة (Voxelization): يتم تجزئة الفضاء الجزيئي المستمر ثلاثي الأبعاد إلى شبكة منتظمة من الفوكسلات (voxels) بحجم $V^3$. يتم تعيين موقع كل ذرة $(x, y, z)$ ونوعها الكيميائي $\tau$ إلى مؤشر صحيح فريد $c_a$. يجمع هذا المؤشر بين الإحداثي الخطي للفوكسل $v_a$ ونوع الذرة $\tau_a$ عبر الصيغة $c_a = v_a \cdot T + \tau_a$، حيث $T$ هو عدد أنواع الذرات المتميزة.
2. إعداد الحالة: يتم ترميز الجزيء كـ "تراكب متساوٍ" (equal superposition) لحالات القاعدة الحسابية المقابلة للفوكسلات المشغولة.
   $$|\psi_{M^*}\rangle := \frac{1}{\sqrt{A}} \sum_{c_a \in M^*} |c_a\rangle$$
   حيث $A$ هو عدد الذرات. يفترض المؤلفون وجود طريقة لإعداد الحالة (تم إثباتها هنا عبر التهيئة القائمة على التماثل/isometry-based initialization)، لكنهم يركزون على كفاءة فك التشفير.
3. فك التشفير عبر عينات "جامع الكوبونات" (Coupon Collector Sampling): بدلاً من قياس مؤثرات باولي، يتم قياس الحالة الكمية بشكل متكرر في القاعدة الحسابية. كل عملية قياس تؤدي إلى "انهيار" الحالة إلى حالة قاعدة واحدة، مما يكشف عن موقع الذرة ونوعها. وتعتبر مشكلة إعادة البناء مكافئة رياضياً لمشكلة "جامع الكوبونات" (coupon collector problem) الكلاسيكية: لاسترداد جميع الذرات $A$ المتميزة، يكون عدد اللقطات المتوقع مطلوباً هو $E[S] \approx A \ln A$، أو $O(A \log A)$ لضمان ثقة عالية.

المساهمات الرئيسية
تقوم الورقة بصياغة والتحقق من هذا المخطط الترميزي من خلال أربع مساهمات رئيسية:

1. صياغة تمثيل الدعم المتناثر: يثبت المؤلفون أنه بمجرد إعداد حالة دعم متناثرة، فإن إعادة بناء الدعم الكامل لجزيء مكون من $A$ ذرة يتطلب فقط $O(A \log A)$ من اللقطات في بيئة مثالية خالية من الضجيج، وهو انخفاض كبير عن التكلفة الأسية لترميز السعة.
2. توصيف المقايضة بين الدقة والموارد: يحدد العمل العلاقة بين متطلبات الكيوبت ($n = \lceil \log_2(V^3 T) \rceil$) وأخطاء التكميم المكاني. ويثبت أن الحد الأقصى للخطأ الإقليدي لكل ذرة محكوم بـ $\Delta_{max} = \frac{\sqrt{3}}{2}s_{voxel}$، حيث $s_{voxel}$ هو طول حافة الفوكسل.
3. التحقق التجريبي على أجهزة NISQ: تم تنفيذ الطريقة على معالج IBM Kingston المكون من 156 كيوبت باستخدام دوائر مكونة من 8 كيوبتات لإعادة بناء جزيء إيثيلامين ($C_2H_7N$) مكون من 10 ذرات.
4. إثبات المرونة تجاه الضجيج: توضح الدراسة أن الترميز يظل عملياً رغم الضجيج الكبير في الأجهزة، بما في ذلك النسبة العالية من "اللقطات الضائعة" (اكتشاف فوكسلات فارغة أو مؤشرات غير صالحة).

النتائج التجريبية
أجرى المؤلفون تجارب بلقطات تتراوح من 47 إلى 300 على جهاز IBM Kingston ومحاكي ضجيج:

• استدعاء إعادة البناء (Reconstruction Recall): وصل متوسط استدعاء إعادة البناء ($\bar{R}$)، المعرف كنسبة الذرات المستردة مرة واحدة على الأقل، إلى 0.94 عند $S=116$ و 0.98 عند $S=200$ على الأجهزة الحقيقية. وعند $S=200$، حققت 8 من أصل 10 تجارب استدعاءً كاملاً ($R=1$).
• خصائص الضجيج: في الأجهزة، كانت حوالي 74% من اللقطات "ضائعة" (اكتشاف فوكسلات فارغة أو مؤشرات غير صالحة) بسبب فك الترابط وأخطاء القراءة، مع انحياز قوي نحو الحالة الأرضية ($|00\dots0\rangle$). ورغم ذلك، سمحت آلية "جامع الكوبونات" بالاسترداد الناجح للهيكل الجزيئي.
• الكفاءة: حقق النهج انخفاضاً بمقدار مرتبتين إلى ثلاث مراتب في تكلفة القياس مقارنة بنهج توموجرافيا الحالة الكاملة، حيث تطلب فقط $O(10^2)$ من اللقطات بدلاً من $O(10^{4-6})$.
• نسبة الإشارة إلى الضجيج (SNR): قدم المؤلفون مقياس SNR لتحديد الذرات الصالحة دون معرفة مسبقة بالحقيقة الأرضية، ووجدوا أن حالات الذرات الصالحة يمكن تمييزها عن اكتشافات الفوكسلات الفارغة الناتجة عن الضجيج (Hardware SNR $\approx 7.8$).

الأهمية والادعاءات
تدعي الورقة أن هذا العمل يمثل أول عرض تجريبي لـ NISQ لاسترداد الدعم لسحابة نقاط نوع الذرة والفوكسل (voxelized molecular atom-type point cloud). وتكمن أهميته في توفير "تمثيل كمي متوافق مع القراءة" حيث يتم وضع الهندسة الجزيئية في تسميات القاعدة الحسابية، مما يسمح باسترداد الهيكل من القياسات الخام دون الحاجة لتوموجرافيا مكلفة.

ويضع المؤلفون هذا العمل صراحةً كحجر بناء لـ النمذجة التوليدية الكمية (مثل المشفرات التلقائية الكمية - Quantum Autoencoders، وQGANs)، حيث تكون مخرجات النموذج عبارة عن حالة كمية يجب فك تشفيرها إلى هيكل صالح كيميائياً.

القيود والادعاءات المتواضعة
تحافظ الورقة على نبرة متواضعة فيما يتعلق بنطاقها وقيودها:

• عنق زجاجة إعداد الحالة: يوضح المؤلفون أنه بينما يعد فك التشفير فعالاً، فإن إعداد الحالة المتناثرة التعسفية $|\psi_{M^*}\rangle$ ليس حلاً لهذه الورقة، ويتطلب حالياً دوائر عميقة (حوالي 1200 بوابة في حالة الـ 8 كيوبت)، مما يظل عائقاً أمام التوسع.
• الدقة المكانية: يضحي الترميز بطبيعته بالدقة المكانية مقابل كفاءة القراءة. لا يمكن للطريقة استرداد المعلومات دون مستوى الفوكسل، مما يحد من استخدامها في التطبيقات التي تتطلب دقة دون الأنجستروم (مثل عمليات الارتباط البروتيني - docking دقيقة) ما لم يتم زيادة دقة الشبكة، وهو ما يزيد بدوره من متطلبات الكيوبت.
• مشكلات التماثل: لا تحافظ شبكة الفوكسل على الثبات الدوراني أو الانتقالي، مما يعني أن الترميز يعتمد على اتجاه الجزيء ومحاذاة الشبكة، وهو ما يعد عيباً في تعلم الفيزياء الأساسية للجزيء.
• النطاق: يركز العمل حصرياً على استرداد مواقع الذرات وأنواعها (سحابة نقاط)، مستبعدً بشكل صريح الروابط، أو حالات الغزل، أو معلومات البنية الإلكترونية.