← أحدث الأبحاث
⚛️ quantum physics

Neural networks learn to reconstruct multipartite entanglement from quantum marginals

تُثبت هذه الورقة أن الشبكات العصبية يمكنها أن تتعلم بفعالية تصنيف وإعادة بناء حالات الكم المكونة من أربعة كيوبتات من الهوامش المحلية عبر التقاط العلاقة بين بنية التشابك وقابلية إعادة البناء، وهي قدرة تم التحقق من صحتها نظرياً عبر فئات SLOCC وتجريبياً على معالج كمي صاخب.

المؤلفون الأصليون: Matreyee Kandpal, Arvind, Kavita Dorai

نُشر 2026-09-07
📖 4 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Matreyee Kandpal, Arvind, Kavita Dorai

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 العالم الكمومي، غالبًا ما يكون الكل أكبر من مجموع أجزائه، ولكن في بعض الأحيان، تروي الأجزاء قصة الكل بأكملها. تخيل آلة معقدة لا يمكنك رؤية تجميعها بالكامل، بل ترى فقط بعض التروس والروافع المتناثرة. في الفيزياء الكمومية، هذا هو الواقع اليومي للعلماء الذين يحاولون فهم نظام من الجسيمات؛ إذ يمكنهم قياس قطع صغيرة من النظام، تُعرف بالارتباطات المحلية، لكن الصورة الكاملة — الحالة الكمومية العالمية — تظل مخفية. لعقود من الزمن، ظل هناك لغز جوهري يلوح في الأفق: إذا كنت تعرف ما يكفي عن هذه القطع الصغيرة، فهل يمكنك التأكد مما تبدو عليه الآلة بأكملها؟ في بعض الأحيان تكون الإجابة نعم، حيث تتشابك القطع الصغيرة معًا لتشكل كلاً واحدًا فريدًا. وفي أحيان أخرى، تكون الإجابة لا، حيث يمكن لنفس القطع الصغيرة أن تنتمي إلى العديد من الآلات المختلفة تمامًا. هذا عدم اليقين يجعل دراسة الأنظمة الكمومية أمرًا صعبًا للغاية، حيث إن الجهد المطلوب لرسم خريطة لكل جسيم بمفرده ينمو بسرعة كبيرة لدرجة أنه يصبح مستحيلاً حتى بالنسبة لأقوى الحواسيب.

لقد وجد فريق من الباحثين في الهند الآن طريقة للتنقل عبر حالة عدم اليقين هذه باستخدام أداة مستعارة من الذكاء الاصطناعي. ركزوا على نظام مكون من أربعة جسيمات كمومية، وهو حجم صغير بما يكفي لدراسته بالتفصيل، ولكنه كبير بما يكفي لإظهار السلوك المعقد الذي يجعل المشكلة صعبة. وبدلاً من محاولة حل اللغز باستخدام الرياضيات التقليدية، التي تعاني مع العدد الهائل من الاحتمالات، قاموا بتدريب شبكة عصبية — وهي نوع من برامج الكمبيوتر التي تتعلم من خلال الأمثلة — للنظر في القطع الصغيرة وتحديد ما إذا كانت كافية لإعادة بناء الكل. استخدم الباحثون أولاً طريقة رياضية صارمة لتحديد ما إذا كانت القطع الصغيرة تحدد حقًا كلاً فريدًا لآلاف الأنواع المختلفة من الحالات الكمومية، ثم قاموا بتغذية هذه المعرفة في الشبكة العصبية، لتعليمها كيفية التعرف على الأنماط التي تشير إلى وجود حل فريد.

كشفت النتائج عن تسلسل هرمي واضح في كيفية تخزين المعلومات. فعندما أعطى الباحثون الشبكة بيانات من مجموعات مكونة من ثلاثة جسيمات، استطاع النظام دائمًا تقريبًا تحديد ما إذا كان هناك كل فريد، وكان بإمكانه إعادة بنائه بدقة تقارب الكمال. ومع ذلك، عندما حددوا المدخلات لتقتصر على أزواج فقط من الجسيمات، وجدت الشبكة العصبية غالبًا أن المعلومات غير كافية، مما ترك الحالة العالمية غامضة. هذا التمييز ليس مجرد فضول رياضي؛ بل يعكس حقيقة عميقة حول كيفية عمل التشابك الكمومي. تعلمت الشبكة أن أكثر أشكال الاتصال تعقيدًا بين الجسيمات مشفرة في العلاقات بين ثلاثة جسيمات أو أكثر، بينما غالبًا ما تفشل الأزواج البسيطة في التقاط الصورة الكاملة. أظهرت الدراسة أنه بالنسبة لأنواع معينة من الحالات الكمومية، تكون القطع الصغيرة كافية لإعادة بناء الكل، بينما بالنسبة لأنواع أخرى، لا يمكن لأي قدر من البيانات المحلية أن يكشف أبدًا عن البنية العالمية الفريدة.

ولضمان أن هذا لم يكن مجرد محاكاة حاسوبية، اختبر الفريق طريقتهم على معالج كمومي حقيقي مبني باستخدام الرنين المغناطيسي النووي، وهي تقنية تستخدم الخصائص المغناطيسية لأنوية الذرات لتعمل كبتات كمومية. قاموا بإعداد حالات كمومية فعلية في المختبر، وقاسوا القطع الصغيرة، وطلبوا من الشبكة العصبية إعادة بناء الحالة الكاملة. ورغم الضجيج والعيوب الحتمية التي تحدث في أي تجربة واقعية، نجحت الشبكة في إعادة بناء الحالات العالمية بدقة عالية. وقد أكد هذا أن الأنماط التي تعلمتها الشبكة في المحاكاة كانت صحيحة في العالم المادي. ووجد الباحثون أن الشبكة يمكنها حتى التمييز بين الحالات التي يمكن إعادة بنائها بشكل فريد وتلك التي لا يمكن ذلك، حيث قامت بذلك بدقة تامة على بياناتهم التجريبية.

يشير هذا العمل إلى أن مفتاح فهم الأنظمة الكمومية المعقدة قد يكمن في معرفة أي المعلومات هي الأساسية. فمن خلال التدريب على بيانات مختزلة، تعلمت الشبكة العصبية تحديد السمات الهيكلية المحددة التي تسم تسمح بتحديد الحالة العالمية بشكل فريد. لم تكتفِ الشبكة بحفظ البيانات فحًا، بل تعلمت القواعد الأساسية لمسألة الهوامش الكمومية، مما رسم بفعالية الحدود بين ما هو معلوم وما يظل مخفيًا. يقدم هذا النهج مسارًا عمليًا للمستقبل في العلوم الكمومية، مما يسم يسمح للباحثين باستنتاج خصائص الأنظمة الكبيرة دون الحاجة إلى قياس كل مكون بمفرده. إنه يثبت أنه حتى في عالم غالبًا ما تكون فيه المعلومات مجزأة، يمكن للأدوات الصحيحة أن تكشف عن الصورة الكاملة، بشرط أن تحتوي القطع على النوع الصحيح من الاتصال.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚛️ quant-ph →