⚛️ quantum physics

Benchmarking Quantum Simulations of the Lipkin-Meshkov-Glick Model Using Large Tensor Networks

تقارن هذه الورقة البحثية أداء خوارزميات الحوسبة الكمومية ذات المقياس المتوسط المشوبة بالضجيج (VQE وSQD) مقابل محاكاة مجموعة مصفوفة الكثافة لإعادة التطبيع لمجموعة (DMRG) واسعة النطاق على نموذج ليبكين-ميشكوف-جليك، مما يكشف أن النهج القائم على الفضاء الجزئي مثل SQD يقدم توازناً متفوقاً بين الدقة والقدرة على مقاومة الضجيج للأنظمة التي تصل إلى 17 جسيماً مقارنة بـ VQE.

المؤلفون الأصليون: Maggie Bao, Rushil Dandamudi, Jerimiah Wright, Joan Étude Arrow, Henry Zou, Vardaan Sahgal, Brian J. McDermott

نُشر 2026-07-31

📖 3 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Maggie Bao, Rushil Dandamudi, Jerimiah Wright, Joan Étude Arrow, Henry Zou, Vardaan Sahgal, Brian J. McDermott

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 حل عقدة ضخمة ومتشابكة من الخيوط. في عالم الفيزياء، هذه "العقدة" هي نظام كمي — مجموعة من الجسيمات الصغيرة مثل الإلكترونات أو الذرات التي تتفاعل مع بعضها البعض بطرق تبدو وكأنها تكسر قواعد عالمنا اليومي. لعقود من الزمن، استخدم العلماء حواسيب فائقة القدرة لمحاولة فك هذه العقد، ولكن كلما كبرت العقد، أصبحت الرياضيات معقدة للغاية لدرجة أن أفضل الحواسيب التقليدية تبدأ في التعرق. هنا يظهر المنافس الجديد: الحاسوب الكمي. هذه الآلات مبنية لتتحدث نفس اللغة التي تتحدث بها الجسيمات التي تحاول محاكاتها، مما يسمح لها نظرياً بحل هذه الألغاز بسرعة أكبر بكثير. لكن هنا تكمن المشكلة: الحواسيب الكمية حالياً تشبه الأطفال الذين يتعلمون المشي؛ فهي غير متزنة، وعرضة للسقوط (الضجيج)، ولا يمكنها سوى قطع خطوات قليلة قبل أن تتعب. وقبل أن نتمكن من الوثوق بها لحل مشكلات العالم الحقيقي، نحتاج إلى معرفة مدى جودتها حقاً مقارنة بالحواسيب الفائقة التقليدية. وهنا يأتي دور "الاختبار المعياري" (Benchmarking). فكر في الأمر كأنه مضمار سباق صارم، حيث نضع العدائين الكميين الجدد في مواجهة الأبطال الكلاسيكيين الراسخين لنرى من يمكنه حقاً إنهاء السباق دون أن يتعثر بقدميه.

تضع هذه الورقة البحثية مضمار سباق محدد جداً باستخدام لغز فيزيائي شهير يسمى نموذج "ليبكن-ميشكوف-غليك" (LMG). تخيل فريقاً من الجسيمات، جميعهم يمسكون بأيدي بعضهم البعض في دائرة ضخمة، حيث يمكن لكل جسيم التحدث مع كل جسيم آخر في آن واحد. الهدف هو إيجاد "الحالة الأرضية" (Ground State)، وهي أكثر وضع استرخاء وأقل طاقة يمكن أن يستقر فيه الفريق. استخدم الباحثون حاسوباً فائقاً يعمل بخوارزمية ذكية تسمى (DMRG) لحل هذا اللغز لما يصل إلى 1,400 جسيم، مما خلق "مفتاح إجابة" ضخماً وفائق الدقة. ثم أخذوا مفتاح الإجابة هذا وقارنوه بخوارزميتين كميتين شائعتين (VQE و SQD) تعملان على حاسوب كمي حقيقي مليء بالضجيج من شركة IBM.

كانت نتائج السباق مزيجاً من الوعود والواقع الصادم. "المحلل الكمي المتغير" (VQE)، الذي يحاول تخمين الإجابة عبر ضبط دائرة كهربائية مثل ضبط جهاز الراديو، كان أداؤه جيداً للمجموعات الصغيرة جداً من الجسيمات (حوالي 6)، ولكن مع نمو المجموعة، أصبحت تخميناته فوضوية، حيث أخطأت الهدف بأكثر من 1% وانحرفت في النهاية بنسبة تصل إلى 17%. كان الأمر أشبه بعداء يبدأ بقوة ولكنه يفقد وتيرة خطاه سريعاً. ومع ذلك، كان أسلوب "التشخيص الكمي القائم على العينات" (SQD) هو نجم العرض. فمن خلال استخدام استراتيجية ذكية لأخذ عينات من الأجزاء الأكثر أهمية في اللغز، تمكن SQD من الحفاظ على دقة مذهلة (ضمن نطاق 0.5%) للأنظمة التي تصل إلى حوالي 17 أو 20 جسيماً. يشير هذا إلى أنه بالنسبة للجيل الحالي من الحواسيب الكمية، فإن نهج "الفضاء الجزئي" (Subspace) هذا قد يكون الطريقة الأفضل لموازنة الدقة مع قدرة الآلة المحدودة على التعامل مع الضجيج. ومع ذلك، بمجرد أن أصبح النظام كبيراً جداً (أكثر من 20 جسيماً)، اصطدم حتى SQD بحائط، حيث انهارت دقته لأن الحاسوب الكمي ببساً لم يكن يمتلك عدد "الطلقات" (محاولات قياس الإجابة) الكافي لتغطية جميع الاحتمالات.

باختصار، لا تعلن الورقة البحثية أن الحواسيب الكمية قد فازت بالسباق بعد. بدلاً من ذلك، فهي تقدم خريطة مفصلة لمكان وقوفها الآن. إنها توضح أنه بينما يمكن للطرق الكمية أن تكون دقيقة بشكل مدهش للمشكلات الصغيرة، فإنها تصطدم حالياً بحدود قاسية تفرضها الضوضاء وحدود القياس. إن مجموعة البيانات الضخمة المكونة من حلول لـ 1,400 جسيم، والتي أنشأها الحاسوب الفائق الكلاسيكي، تعمل كمعيار ذهبي جديد، "حقيقة" سيتعين على الحواسيب الكمية المستقبلية التفوق عليها لإثبات فائدتها الحقيقية. يشير المؤلفون إلى أنه بينما لا نزال في عصر "الكم متوسط الحجم المشوب بالضجيج" (NISQ) حيث الآلات غير كاملة، فإن طرقاً مثل SQD توفر أفضل توازن في الوقت الحالي، لكننا بحاجة إلى استراتيجيات أفضل للتعامل مع الأنظمة الأكبر قبل أن تتمكن الحواسيب الكمية من التفوق حقاً على نظرائها الكلاسيكيين.

ملخص تقني: قياس أداء المحاكاة الكمومية لنموذج ليبكين-ميشكوف-جليك باستخدام الشبكات التنسورية الكبيرة

بيان المشكلة
مع نضوج الحوسبة الكمومية، تبرز حاجة ماسة لتقييم أداء حل المشكلات في العالم الحقيقي لأجهزة العصر الكمومي ذي الحجم المتوسط والمشوب بالضجيج (NISQ) مقابل الطرق الكلاسيكية المنافسة. وبينما تعد توصيفات الأجهزة (مثل دقة البوابة وزمن التماسك) معيارية، إلا أنها لا تستوعب بشكل كامل الأداء في التطبيقات ذات الأهمية. ويعد نموذج "ليبكين-ميشكوف-جليك" (LMG) اختبارًا مثاليًا لهذا المقارنة: فهو يصف نظامًا متعدد الأجسام يتميز بظوار فيزيائية غنية، مثل التحولات الطورية الكمومية، ومع ذلك يظل قابلاً للحل كلاسيكيًا بدقة عالية عند مقاييس تتجاوز قدرة التقطيع الدقيق المباشر (Exact Diagonalization). لقد اقتصرت عمليات المحاكاة الكمومية السابقة لنموذج LMG على أحجام أنظمة متواضعة بسبب القيود العتادية. يهدف هذا العمل إلى إنشاء مرجع كلاسيكي واسع النطاق لتقييم دقة وقابلية التوسع لخوارزميات NISQ الشهيرة، وتحديدًا الخوارزمية التباينية لامتلاك القيم الذاتية (VQE) والتقطيع الكمومي القائم على العينات (SQD).

المنهجية
تستخدم الدراسة نهجًا هجينًا يستفيد من الحوسبة الكلاسيكية عالية الأداء وأجهزة NISQ:

المرجع الكلاسيكي (DMRG): استخدم المؤلفون خوارزمية مجموعة إعادة تطبيع مصفوفة الكثافة (DMRG)، وهي طريقة شبكة تنسورية، لحساب طاقات الحالة الأرضية لهاملتونيان LMG. نُفذت عمليات المحக்கெاة على حاسوب "بيرلموتر" (Perlmutter) الفائق في مركز NERSC. تم تعريف هاملتونيان LMG بمعلمات $\epsilon=1$ و $W=0$ وقوى تفاعل متغيرة $V$ . تراوحت أحجام الأنظمة من $N=2$ إلى $N=1400$ جسيم، مع امتداد عمليات التوصيف لتصل إلى $N=1550$ . بالإضافة إلى ذلك، تم إنشاء مخطط طوري لـ $N \in [2, 100]$ و $V \in [0, 1]$ بزيادات قدرها 0.1.
الخوارزميات الكمومية:
- VQE: تم تنفيذ الخوارزمية التباينية لامتلاك القيم الذاتية على معالج "آي بي إم إيجل" (IBM Eagle) الكمومي. ولمعالجة النمو الأسي لفضاء هيلبرت، تم استخدام مخطط ضغط للهاملتونيان، مستغلًا تناظرات النموذج (تحديدًا $W=0$ ) لتعيين النظام في قاعدة دوران مغزلي جماعي. أدى ذلك إلى تقليل الحجم الفعلي للنظام، مما سمح باستخدام نماذج (ansatze) أصغر تتكون من بوابات $R_y$ و CNOT.
- SQD: تم تشغيل خوارزمية التقطيع الكمومي القائم على العينات (SQD) أيضًا على معالج IBM. استخدم هذا النهج الهجين مجموعة من دوائر حالة "ديكي" (Dicke state) لأخذ عينات من سلاسل البتات التي تعكس تناظر النظام (وزن هامينغ الثابت). استُخدمت هذه العينات لإسقاط الهاملتونيان الكامل في فضاء فرعي مختزل، والذي تم تقطيعه كلاسيكيًا بعد ذلك. تم تطبيق تخفيف الخطأ عبر الاختيار اللاحق القائم على التناظر وتصحيح قلب البت لضمان أن الفضاء المأخوذ تمثيله بدقة في الفضاء المقيد بالتناظر.

المساهمات الرئيسية
يقدم البحث مساهمتين رئيسيتين في مجال القياس الكمي:

مجموعة بيانات DMRG واسعة النطاق: أنتج المؤلفون واحدة من أكبر مجموعات البيانات لطاقات الحالة الأرضية لنموذج LMG في الأدبيات، مما يوفر قيمًا مرجعية دقيقة للأنظمة التي تصل إلى 1400 جسيم. يتضمن ذلك مخططًا طوريًا مفصلاً عبر شدات التفاعل.
القياس المقارن: توفر الدراسة مقارنة صارمة بين VQE و SQD مقابل خط أساس DMRG على معالج IBM كمومي، مما يحدد خطوط الأساس للأداء ويحدد قيود التوسع المحددة لكل طريقة في عصر NISQ.

النتائج

أداء DMRG: أظهرت نتائج DMRG موثوقية عالية، محققة دقة تزيد عن 99.99% مقارنة بالحلول العددية الدقيقة للأنظمة الصغيرة ( $N \le 19$ ). أظهرت منحنيات الطاقة للقيم الكبيرة لـ $N$ توسعًا سلسًا ورتيبًا، مما يؤكد تقارب تمثيل الشبكة التنسورية. تم تحديد عنق الزجاجة الحسابي في بناء الهاملتونيان من رتبة $O(N^2)$ بسبب التفاعلات من الكل إلى الكل، وليس في تقليص التنسور.
أداء VQE: حققت VQE نتائج ضمن خطأ 1% للأنظمة الصغيرة ( $N=6$ ). ومع ذلك، تدهورت الدقة بسرعة مع زيادة حجم النظام. بعد $N \approx 15$ ، تجاوزت الأخطاء عتبة الـ 1%، لتصل إلى حوالي 17% عند $N=23$ . نمت الأخطاء بثبات، مما يعكس صعوبة التحسين الكلاسيكي في فضاء هيلبرت المضغوط.
أداء SQD: أظهرت SQD دقة متفوقة على VQE ضمن النطاق الذي يمكن الوصول إليه. بالنسبة لـ $N \le 18$ ، حققت SQD أخطاء نسبية أقل من 1% (وحتى أقل من $10^{-12}\%$ لـ $N \in [3, 15]$ )، مما يطابق الحل الدقيق فعليًا. ومع ذلك، كان الأداء محدودًا بشكل صارم بميزانية الضربات (106 ضربة). بمجرد أن تجاوز عدد حالات القاعدة في قطاع التناظر ( $2^{N-1}$ ) حد الضربات (حوالي $N \approx 20$ )، ارتفع الخطأ بشكل حاد، ليصل إلى ~95% عند $N=50$ .

الأهمية والادعاءات
يزعم البحث أن هذه النت النتائج تسلط الضوء على المقايضات المتميزة بين الدقة، وعمق الدائرة، والمرونة تجاه الضجيج في عصر NISQ.

النهج القائم على الفضاء الفرعي: يشير المؤلفون إلى أن النهج القائم على الفضاء الفرعي مثل SQD قد يحقق أفضل توازن بين الدقة وقيود الموارد، بشرما إذا كان يمكن تغطية قطاع التناظر بالكامل بواسطة ميزانية الضربات المتاحة.
ضرورة القياس: يؤكد العمل أنه لكي تحقق الحواسيب الكمومية ميزة حقيقية، يجب أن تتفوق على قدرات طرق الشبكة التنسورية الكلاسيكية (مثل DMRG) على نفس هاملتونيانات المشكلة. تعمل مجموعات البيانات التي تم إنشاؤها كمرجع عالي الدقة لهذا الغرض.
القيود: يخلص البحث بتواضع إلى أنه بينما تبدو SQD واعدة، فإن قابليتها للتوسع محكومة حاليًا بميزانيات الضربات وعمق الدائرة. وبالمثل، تعاني VQE من صعوبة في التوسع لما بعد أحجام الأنظمة المتوسطة دون تحسينات كبيرة في تصميم الـ ansatz أو استراتيجيات التهيئة. لا يدعي المؤلفون تحقيق التفوق الكمومي للتطبيقات الحالية، بل يستخدمون البيانات لتحديد حدود فائدة عصر NISQ الحالي.

أبحاث مشابهة