Computationally Efficient Optimization of Per-Qubit Clifford Deformation for Non-uniform Biased Noise
تقدم الورقة البحثية Chameleon، وهو مترجم سريع ومستقل عن الكود يعمل على تحسين تشوهات كليفورد لكل كيوبت بكفاءة للضوضاء المنحازة غير المنتظمة من خلال تقليل حد بديل تحليلي، مما يقلل بشكل كبير من معدلات الخطأ المنطقي عبر مختلف الأكواد الكمومية بتكاليف حوسبة أقل جذرياً مقارنة بالطرق الحالية.
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
في السباق لبناء حاسوب كمي عملي، يقاتل العلماء حرباً ضد عدو خفي ولكنه مستمر: الضجيج. وخلافاً للأخطاء الواضحة والمتوقعة في الحواسيب الكلاسيكية، فإن البتات الكمية، أو "الكيوبتات" (qubits)، التي تشكل قلب هذه الآلات، هشة للغاية. فهي تتعرض باستمرار لقصف من بيئتها، مما يتسبب في تغيير حالاتها أو فقدان معلوماتها بطرق تختلف من كيوبت إلى آخر. وللحماية من ذلك، يستخدم الباحثون تقنية تسمى تصحيح الخطأ الكمي، والتي تنشر معلومات بت منطقي واحد عبر العديد من الكيوبتات الفيزيائية. وهذا يخلق شبكة أمان حيث يمكن للنظام اكتشاف وإصلاح الأخطاء دون تدمير الحالة الكمية الدقيقة. ومع ذلك، لكي تعمل شبكة الأمان هذه، يجب أن يعرف النظام بالضبط نوع الأخطاء التي تحدث. فإذا كان الضجيج مختلفاً لكل كيوبت على الشريحة، فإن اتباع نهج واحد يناسب الجميع لإصلاح الأخطاء يصبح غير فعال، مما يترك الحاسوب عرضة للخطر.
لقد طور فريق من الباحثين في جامعة تكساس طريقة جديدة لحل هذه المشكلة، محولين عملية معقدة وبطيئة إلى عملية سريعة ومؤتمتة. لقد ابتكروا أداة أطلقوا عليها اسم "CHAMELEON"، والتي تعمل كمترجم ذكي لتصحيح الخطأ الكمي. فبدلاً من محاولة فرض استراتيجية موحدة واحدة على شريحة يتصرف فيها كل كيوبت بشكل مختلف، يقوم "CHAMELEON" بتفصيل استراتيجية تصحيح الخطأ لتناسب ملف الضجيج الفريد والخاص بكل كيوبت على حدة. ومن خلال القيام بذلك، فإنه يخفض بشكل كبير المعدل الذي يرتكب فيه الحاسوب أخطاء منطقية، وكل ذلك دون الحاجة إلى أي أجهزة جديدة أو وقت إضافي لتشغيل الحسابات.
كان التحدي الجوهري الذي واجهه الباحثون هو أن الضجيج الكمي نادراً ما يكون متجانساً. ففي الرقائق الكمية الحقيقية، مثل تلك التي تطورها شركتا جوجل وIBM، يكون بعض الكيوبتات أكثر عرضة لنوع واحد من الأخطاء من نوع آخر بكثير. على سبيل المثال، قد يكون الكيوبت أكثر عرضة لقلب قيمته بدلاً من تغيير طوره (phase). علاوة على ذلك، فإن هذا الانحياز ليس نفسه عبر الشريحة بأكملها؛ فهو يتغير من مكان إلى آخر. فإذا استخدم الحاسوب طريقة قياسية لتصحيح الخطأ تفترض أن جميع الكيوبتات متماثلة، فإنه يهدر الموارد ويفشل في الحماية من نقاط الضعف المحددة للكيوبتات الأكثر ضجيجاً. وكان الحل المثالي هو تعديل كود تصحيح الخطأ لكل كيوبت ليتناسب مع بيئته المحلية، لكن العثور على التعديل المثالي لملايين الاحتمالات كان مهمة استغرقت تاريخياً وقتاً طويلاً جداً لدرجة تجعلها غير عملية.
تضمنت المحاولات السابقة حل هذه المشكلة إما باستخدام إعداد عالمي واحد للشريحة بأكملها أو اختبار التعديلات العشوائية واحداً تلو الآخر. وغالباً ما فشل النهج العالمي لأنه تجاهل الاختلافات المحلية، بينما كانت طريقة الاختبار العشوائي مستحيلة حسابياً. وللعثور على أفضل إعداد، كان على الباحثين تشغيل ملايين عمليات المحاكاة لكل مجموعة من التشكيلات الممكنة للتعديلات، وهي عملية قد تستغرق أياماً أو حتى أسابيع. وبحلول الوقت الذي يجدون فيه حلاً جيداً، قد يكون ملف ضجيج الأجهزة قد تغير بالفعل، مما يجعل الحل غير صالح. وحاولت طرق أخرى تخمين الإعداد الأفضل بناءً على قواعد محلية بسيطة، لكنها غالباً ما كان أداؤها أسوأ من عدم القيام بأي شيء لأنها فشلت في مراعاة كيفية تفاعل الأخطاء على الكيوبتات المختلفة مع بعضها البعض.
أدرك الباحثون وراء "CHAMELEON" أنهم ليسوا بحاجة إلى تشغيل هذه المحاكاة الضخمة للعثور على حل جيد. بدلاً من ذلك، طوروا اختصاراً رياضياً يقدر احتمالية وقوع الأخطاء دون محاكاة العملية بأكملها فعلياً. لقد ركزوا على نوع محدد من سيناريوهات الخطأ حيث يرتبك النظام بين احتمالين مختلفين يبدوان متطابقين لمكتشف الخطأ. ومن خلال تحليل الخصائص الرياضية لهذه السيناريوهات المربكة، أنشأوا درجة مبسطة تتنبأ بمدى فعالية تعديل معين. وتعمل هذه الدرجة كدليل موثوق، مما يسمح للنظام بالعثور على أفضل التعديلات في غضون دقائق بدلاً من أيام.
تعمل العملية في ثلاث مراحل. أولاً، يحدد النظام أكثر الطرق احتمالاً لوقوع الأخطاء لكود كمي معين، مما ينشئ مكتبة قابلة لإعادة الاستخدام لأنماط الخطأ هذه. تتم هذه الخطوة مرة واحدة لكل نوع من الأكواد ولا تحتاج إلى التكرار لكل شريحة جديدة. ثانياً، يستخدم النظام هذه المكتبة لاختبار مليارات التعديلات الممكنة بسرعة، باستخدام الدرجة المبسطة لاستبعاد التعديلات السيئة والاحتفاظ بالجيدة. وأخيراً، يقوم بصقل المرشح الأفضل لضمان عمله بشكل مثالي مع خريطة الضجيج الخاصة بالشريحة. هذه العملية برمتها سريعة جداً لدرجة أنها يمكن أن تتكيف مع ظروف الأجهزة المتغيرة في الوقت الفعلي، مما يضمن استخدام الحاسوب لأكثر استراتيجيات تصحيح الخطأ فعالية متاحة.
عندما اختبر الباحثون "CHAMELEON" على بيانات من أجهزة كمية حقيقية، كانت النتائج مذهلة. ففي شريحة "Willow" من جوجل، حيث أظهر ما يقرب من نصف الكيوبتات انحيازاً قوياً في أنماط أخطائها، قللت الطريقة الجديدة من معدل الخطأ المنطقي بمتوسط 13 بالمائة مقارنة بأفضل الطرق الموجودة. وفي بعض الحالات، وصل التحسن إلى 19 بالمائة. عملت الأداة بفعالية عبر أنواع مختلفة من الأكواد الكمية، بما في ذلك الأكواد السطحية (surface codes)، والأكواد الملونة (color codes)، وأكواد الدراجة ثنائية المتغير (bivariate bicycle codes)، مما يثبت أن النهج ليس مقتصرًا على تصميم واحد فقط. ولعل الأهم من ذلك هو أن الوقت المطلوب للعثور على التعديل الأمثل انخفض من أكثر من يوم إلى بضع دقائق فقط، مما يجعل من الممكن تحديث استراتيجية تصحيح الخطأ في كل مرة يتم فيها معايرة الأجهزة.
يسلط نجاح "CHAMELEON" الضوء على تحول في كيفية مقاربة تصحيح الخطأ الكمي. فبدلاً من محاولة بناء درع ثابت ومثالي ضد الضجيج، أظهر الباحثون أنه من الممكن تكييف الدرع ديناميكياً مع الشكل المحدد للتهديد. هذه القدرة على التكيف أمر بالغ الأهمية مع نمو الحواسيب الكمية وزيادة تعقيدها، ومع كون الضجيج في هذه الأنظمة أكثر تنوعاً مما كان يُعتقد سابقاً. ومن خلال إزالة العائق الحسابي الذي منع التحسين لكل كيوبت، فتح الباحثون الباب أمام حواسيب كمية أكثر كفاءة وموثوقية. لا تتطلب الطريقة أي مكونات فيزيائية جديدة أو وقتاً إضافياً لتشغيل الخوارزميات الكمية؛ فهي ببساطة تعيد ترتيب كيفية معالجة المعلومات الموجودة لتتطابق بشكل أفضل مع واقع الأجهزة.
كما استكشفت الدراسة كيفية أداء هذه الطريقة في ظل ظروف مختلفة. ووجدت أن الفوائد تزداد مع زيادة انحياز وعدم انتظام الضجيج، وهو بالضبط الوضع الموجود في الرقائق الكمية فائقة التوصيل الحالية. وحتى عندما قام الباحثون بمحاكاة نماذج ضجيج أكثر تعقيداً وواقعية تتضمن تفاعلات بين الكيوبتات، استمرت الطريقة في تقليل معدلات الخطأ، وإن كانت المكاسب أقل قليلاً. وهذا يشير إلى أنه بينما الطريقة قوية، فإن كامل إمكاناتها تتحقق عندما يكون الضجيج منحازاً بقوة. كما أظهر الباحثون أن الأداة يمكن ضبطها للحماية من أنواع محددة من الأخطاء إذا كان الحاسوب يُستخدم فقط لمهام تعتمد على نوع واحد من المعلومات، مما يوفر مرونة أكبر للتطبيقات المستقبلية.
في نهاية المطاف، يوفر هذا العمل مساراً عملياً لجعل الحواسيب الكمية أكثر موثوقية. فمن خلال استبدال عمليات المحاكاة البطيئة والقائمة على القوة الغاشمة (brute-force) بالبحث الذكي والسريع، جعل الباحثون من الممكن تفصيل تصحيح الخطأ ليتناسب مع البصمة الفريدة لكل شريحة كمية. وهذا يعني أنه مع استمرار تحسن الأجهزة الكمية وتوفرها بشكل أكبر، يمكن للبرامج التي تعمل عليها أن تتكيف فوراً للحصول على أقصى استفادة من كل كيوبت. والنتيجة هي نظام ليس سليماً من الناحية النظرية فحسب، بل هو قابل للتطبيق عملياً، مما يقرب حلم الوصول إلى حاسوب كمي مقاوم للأخطاء خطوة أخرى نحو الواقع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.