A Unified Quantum Neural Network Framework for Hamiltonian Learning and Emulation of Unknown Quantum Systems
تقدم هذه الورقة إطار عمل موحد للشبكة العصبية الكمومية يتعلم الأنظمة الكمومية المجهولة من خلال رسم خرائط مدخلات التحكم إلى معاملات الهاملتوني باستخدام مسارات مصفوفة الكثافة الكاملة، مما يتيح تحديد النظام بدقة، والمحاكاة القوية، واستخلاص معلمات الدائرة الفيزيائية لتطبيقات التوأم الرقمي الكمومي.
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 عالم التكنولوجيا الكمومية، يبني العلماء آلات تعمل وفق القواعد الغريبة للمتناهيات في الصغر، حيث يمكن للجسيمات أن توجد في حالات متعددة في آن واحد وتؤثر على بعضها البعض عبر المسافات. ولجعل هذه الآلات تعمل، يجب على الباحثين فهم القوى الخفية التي تحركها. كل نظام كمومي محكوم بمخطط رياضي يسمى "هاميلتونيان" (Hamiltonian)، والذي يعمل بمثابة مجموعة من التعليمات تخبر النظام كيف يتغير ويتطور بمرور الوقت. إذا عرفت هذا المخطط بدقة، يمكنك التنبؤ بكيفية سلوك النظام بالضبط، ومعايرة أجزائه، والتحكم في أفعاله بدقة. ومع ذلك، في كثير من السيناريوهات الواقعية، يكون النظام عبارة عن "صندوق أسود": يمكنك رؤية ما يدخل وما يخرج منه، لكن التعليمات الداخلية تظل خفية. وبدون معرفة الهاميلتونيان، يصبح بناء حواسيب أو مستشعرات كمومية موثوقة عملية تعتمد على التخمين. والتحدي يكمن في استنتاج هذه التعليمات الخفية فقط من خلال مراقبة كيفية حركة النظام وتغيره، وهي مهمة صعبة للغاية لأن الأنظمة الكمومية هشة ويتأثر سلوكها بسهğu بالاضطرابات.
لقد طور باحث طريقة جديدة لحل هذه المشكلة باستخدام نوع من الذكاء الاصطناعي يسمى الشبكة العصبية الكمومية لتعلم التعليمات الخفية لنظام مجهول. وبدلاً من محاولة تخمين الحالة النهائية للنظام بعد تجربة طويلة، تتبع نهجه "الفيلم الكامل" لحياة النظام، لحظة بلحظة. قام الباحث بإنشاء مكتبة واسعة من الأنظمة الكمومية الوهمية، لكل منها قواعد داخلية مختلفة تم إنشاؤها عشوائياً، وحاكى كيفية سلوكها بمرور الوقت. ثم قام بتغذية البيانات من هذه المحاكاة في شبكته العصبية، ليعلمها كيفية النظر إلى إشارات التحكم المرسلة إلى النظام والتغيرات الناتجة في حالة النظام، ومن ثم العمل بشكل عكسي لاستنتاج القواعد الأصلية الخفية. تعلمت الشبكة رسم خريطة المدخلات مباشرة إلى الأرقام الاثنين والثلاثين التي تحدد هاميلتونيان النظام، مما يعني هندسة المخطط عكسياً من السلوك الملحوظ.
ولجعل عملية التعلم هذه أكثر فعالية، قدم الباحث حيلتين محددتين لبيانات التدريب. أولاً، قام بتغيير الظروف الأولية للأنظمة الكمومية، مما ضمن أن ترى الشبكة النظام يبدأ من مواضع مختلفة بدلاً من مجرد موضع واحد؛ وهذا منع الشبكة من مجرد حفظ مسار واحد وأجبرها على تعلم القواعد الأساسية التي تحكم جميع التحركات الممكنة. ثانياً، طبق نوعاً خاصاً من الإشارات التي تمسح الترددات المختلفة ببطء، تماماً كما يحرك الموسيقي إصبعه على وتر الجيتار ليصيب كل نوتة في السلم الموسيقي. هذه الإشارة الماسحة، المعروفة باسم "التشيرب" (chirp)، تحفز النظام بطرق معقدة، مما يكشف عن تفاصيل أكثر حول بنيته الداخلية مما قد تفعله إشارة ثابتة ومستمرة. ومن خلال الجمع بين هذه التقنيات ومنهجية مشاهدة الخط الزمني الكامل لتطور النظام، أصبحت الشبكة العصبية أفضل بكثير في تحديد القواعد الخفية الصحيحة.
كانت نتائج هذه المحاكاة الحاسوبية مذهلة. فعندما اختبر الباحث النظام في سيناريو بسيط لجسيم واحد، تحسنت قدرة الشبكة على إعادة بناء الحالة الأولية الصحيحة بشكل كبير عند استخدام الظروف الأولية المتنوعة، لتصل إلى مستوى دقة يُعرف بـ "الوفاء" (fidelity) قدره 0.929. وبالنسبة لنظام أكثر تعقيداً ومجهولاً تماماً يحتوي على أجزاء متفاعلة كثيرة، كانت الدقة أقل ولكنها لا تزال جوهرية، حيث وصلت إلى 0.787. ووجدت الدراسة أنه بينما ساعدت إشارة التردد الماسحة الحاسوب على التعلم بشكل أسرع وتقليل الأخطاء أثناء عملية التدريب، فإن استراتيجية تنويع نقاط البداية هي التي حسنت حقاً الجودة النهائية للنظام المعاد بناؤه. كما قاس الباحث مدى اختلاف النظام المعاد بناؤه عن النظام الحقيقي باستخدام مقياس قياسي يسمى "مسافة الأثر" (trace distance)، ووجد أن نقاط البداية المتنوعة قللت هذا الفرق إلى 0.124 للحالة البسيطة وإلى 0.316 للنظام المعقد المجهول.
ولعل الجزء الأكثر أهمية في هذا العمل لم يكن مجرد تحديد الأرقام، بل تحويل تلك الأرقام إلى تصميم فيزيائي. فبمجرد أن نجحت الشبكة العصبية في تعلم الهاميلتونيان الخفي، قام الباحث بترجمة تلك المعاملات المجردة إلى مواصفات ملموسة لدائرة إلكترونية حقيقية قابلة للبناء. لقد أسقط القواعد المتعلمة على تصميم يتميز بحلقتين فائقتي التوصيل، تُعرفان باسم "ترانسمونات" (transmons)، متصلتين بسلك مشترك. وقد أسفرت هذه العملية عن قيم واقعية ومحددة للمكونات الفيزيائية: ستحتاج الحلقات إلى سعة إجمالية تبلغ حوالي 77.3 فيمتوفاراد، وسيحتاج السلك الواصل إلى طول يبلغ حوالي 15.12 ملم، كما ستكون المسافة بين الحلقات 7.59 ملم. وقد أظهرت الدائرة الناتالية، بتردداتها وقوى اتصالها المحددة، قدرتها على محاكاة سلوك النظام المجهول الأصلي بدقة عالية.
يُظهر هذا العمل مساراً كاملاً من مراقبة نظام كمومي غامض إلى بناء توأم فيزيائي يسلك السلوك نفسه تماماً. لقد أثبت الباحث أنه من خلال مراقبة التاريخ الكامل لحركة النظام واستخدام تقنيات تدريب ذكية، يمكن للذكاء الاصطناዊ أن يكشف عن القوانين الخفية للطبيعة التي تحكمه. وبينما تنخفض دقة إعادة البناء طبيعياً مع زيادة تعقيد الأنظمة وعدد المتغيرات الخفية، فإن الطريقة تثبت أنه من الممكن الانتقال من "الصندوق الأسود" إلى جهاز مفهوم تماماً وقابل للتنفيذ فيزيائياً. يقدم هذا النهج أداة جديدة قوية لمستقبل التكنولوجيا الكمومية، مما يسمح للعلماء بتحديد وفهم ومحاكاة الآلات الكمومية المعقدة دون الحاجة إلى معرفة أسرارها الداخلية مسبقاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.