Hardware-Efficient Error Mitigation and Shot-Efficient Sampling on IBM Quantum Hardware
تقيم هذه الورقة تجريبياً المقايضات بين تقنيات تخفيف الأخطاء وأخذ العينات بطلقات محدودة على أجهزة IBM Quantum تحت ميزانية تنفيذ مقيدة، مما يوفر توصيفاً مدركاً للأجهزة حول متى تعمل استراتيجيات التخفيف على تحسين دقة التقدير مقابل متى تلغي تقلبات أخذ العينات فوائدها.
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 الهمهمة الهادئة لغرفة الخوادم، يتعلم نوع جديد من الحواسيب كيف يفكر. هذه الآلات، المبنية من دوائر فائقة التوصيل مبردة إلى درجات حرارة أبرد من أعماق الفضاء، تعد بحل مشكلات قد تستغرق الحواسيب الفائقة اليوم آلاف السنين لحلها. ولكن هناك عقبة: هذه الحواسيب الكمومية هشة للغاية؛ فأدنى اهتزاز أو حرارة يمكن أن يتسبب في خطأ حساباتها. ولأننا لسنا قادرين بعد على بناء آلات محصنة تماماً ضد هذه الأخطاء، طور العلماء مجموعة من الحيل تسمى "تخفيف الخطأ". هذه الحيل لا تصلح الأجزاء المعطلة من الآلة، بل تحاول تخمين الإجابة الصحيحة التي كان ينبغي أن تكون، وذلك عبر تشغيل نفس الحساب عدة مرات والبحث عن أنماط في الأخطاء. والأمل هو أنه من خلال دمج هذه النتائج المشوشة، يمكننا استخراج إشارة واضحة من الضجيج.
ومع ذلك، هناك تكلفة خفية لهذه الحيل. فمن أجل الحصول على تخمين أفضل، يجب على الحاسوب تشغيل الحساب مرات أكثر، مما يستهلك مورداً محدوداً يُعرف باسم "الطلقات" (shots)، وهي ببساطة عدد المرات التي يُطلب فيها من الآلة قياس نتيجتها. إذا أنفقت الكثير من الطلقات في محاولة تصحيح الأخطاء، فقد ينتهي بك الأمر بنتيجة أقل دقة مما لو كنت قد شغلت الحساب بضع مرات وقبلت الضجيج فحسب. هذا التوتر بين إصلاح الأخطاء وبين نفاد المحاولات هو اللغز المركزي الذي يحاول الباحثون حله. فهم بحاجة إلى معرفة متى تساعد طرق التصحيح هذه بالضبط ومتى تجعل الأمور أسوأ، خاصة في الآلات الحقيقية المتاحة اليوم.
قرر باحث في المعهد الهندي للتكنولوجيا جودبور اختبار هذا التوازن على حاسوب كمومي حقيقي وعامل. استخدم معالجاً قوياً بقدرة 156 كيوبت من شركة IBM، وهو جهاز يمثل قمة التكنولوجيا الحالية. لم يكن هدفه مجرد رؤية ما إذا كان تصحيح الخطأ يعمل، بل قياسه بشكل عادل عبر تثبيت إجمالي عدد المحاولات. تخيل أن لديك وقتاً محدداً لالتقاط صورة لشيء متحرك؛ يمكنك إما التقاط تعريض ضوئي طويل واحد، والذي قد يكون ضبابياً، أو التقاط العديد من اللقطات السريعة ودمجها. أراد الباحث معرفة ما إذا كان التقاط العديد من اللقطات ودمجها بوصفة رياضية معينة سيعطي بالفعل صورة أوضح من مجرد التقاط لقطة واحدة طويلة، بالنظر إلى أن إجمالي الوقت المتاح هو نفسه لكلا الطريقتين.
أعد الباحث سلسلة من التجارب باستخدام أنواع مختلفة من الدوائر، وهي التعليمات المعطاة للحاسوب. اختبر سلاسل بسيطة من الكيوبتات، وأنماطاً متكررة من العمليات، ونوعاً معيناً من الحسابات المستخدمة في مسائل التحسين. قارن النتائج الخام غير المصححة مع عدة استراتيجيات للتصحيح. تضمنت إحدى الاستراتيجيات التصحيح للأخطاء التي تحدث عندما يقرأ الجهاز الإجابة النهائية. وتضمنت أخرى تشغيل الحساب عند مستويات مختلفة من الضجيج الاصطناعي ثم التخمين رياضياً لما ستكون عليه النتيجة إذا لم يكن هناك ضجيج على الإطلاق. كما اختبر طريقة ذكية وتكيفية تحاول تحديد عدد المرات لتشغيل كل جزء من الحساب بناءً على مدى ضجيج ذلك الجزء تحديداً.
كانت النتائج مفاجئة ودقيقة. وجد الباحث أن الطريقة الذكية التكيفية لا تفوز تلقائياً. في الواقع، عندما قارن الطريقة الذكية بطريقة موحدة بسيطة حيث يتم تشغيل كل جزء من الحساب نفس عدد المرات، كانت الطريقة الذكية تتفوق فقط في اثنتين من أصل ست سيناريوهات مختلفة. وفي السيناريوهات الأربعة الأخرى، كان النهج الموحد البسيط في الواقع أكثر دقة. وهذا يشير إلى أن الاستراتيجية المعقدة المتمثلة في تعديل عدد المحاولات باستمرار بناءً على فحوصات الضجيج الأولية ليست تحسيناً مضموناً. فأحياناً، يؤدي الجهد الإضافي لتكون "ذكياً" بشأن مكان إنفاق الطلقات إلى نتيجة نهائية أسوأ.
وجد اكتشاف رئيسي آخر أن طرق التصحيح لم تعالج دائماً "الانحياز" (bias)، أو الخطأ المنهجي، بالطريقة التي يأملها العلماء. فبالنسبة لنوع معين من الحسابات التي تتضمن نمطاً من حالات الصعود والهبوط، جعلت الطريقة المصممة لإزالة الضجيج الخطأ أكبر مما كان عليه من قبل. لاحظ الباحث أنه عندما طُلب من الحاسوب قياس قيمة قريبة جداً من حافة ما هو ممكن، فإن الحيلة الرياضية المستخدمة لإزالة الضجيج كانت أحياناً تتجاوز الحد المطلوب، مما يدفع الإجابة بعيداً عن الحقيقة. حدث هذا رغم أن الطريقة مستخدمة على نطاق واسل وموثوق بها؛ مما أظهر أن هذه الأدوات ليست عصا سحرية تعمل في كل المواقف، بل يمكنها أحياناً إدخاء مشاكل جديدة أثناء محاولتها حل المشكلات القديمة.
سلطت الدراسة أيضاً الضوء على أهمية التخطيط الفيزيائي للحاسوب نفسه. اكتشف الباحث أن مجرد اختيار الأسلاك التي سيستخدمها في حسابه على الشريحة يحدث فرقاً هائلاً. فعندما استخدم زوجاً من الأسلاك المعروفة بانخفاض الخطأ فيها، كانت نتائجه أفضل بكثير مما لو استخدم زوجاً من الأسلاك من نفس الشريحة المعروفة بارتفاع الخطأ فيها. كان الفرق في الجودة بين هذين الزوجين من الأسلاك كبيراً لدرجة أنه يضاهي الفرق الناتج عن إضافة عدة طبقات من التعقيد إلى الحساب. وهذا يعني أنه قبل محاولة إصلاح الأخطاء بالبرمجيات، قد يكون من المهم جداً اختيار أفضل الأجزاء الفيزيائية للآلة لتشغيل الكود عليها.
في النهاية، خلص الباحث إلى أنه لا توجد قاعدة واحدة عالمية لتحديد متى يتم استخدام تخفيف الخطأ. القرار يعتمد كلياً على الآلة المحددة، والحساب المحدد الذي يتم تشغيله، وعدد المحاولات المتاحة. في معالج IBM الذي اختبره، لم تكن استراتيجية تخصيص الطلقات التكيفية التي اختبرها متفوقة على النهج الموحد البسيط. وفي كثير من الحالات، أدت طرق تصحيح الخطأ القياسية إلى زيادة عدم اليقين في النتيجة بدلاً من تقليله. لقد نشر الباحث جميع بياناته، وكوده، والتعليمات الدقيقة التي استخدمها حتى يتمكن الآخرون من تكرار التجارب. إن عمله بمثابة تذكير بأنه في العالم الصاخب للحوسبة الكمومية الحالية، ليس الحل الأكثر تطوراً هو الأفضل دائماً، وأن الاختبار الدقيق والأمين مطلوب قبل اتخاذ قرار بتطبيق هذه الإصلاحات القوية ولكن المكلفة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.