Neural network-based multipartite entanglement classification with prior guidance from quantum uncertainty relations

في عالم ميكانيكا الكم الغريب والمنافي للبداهة، يمكن للجسيمات أن تترابط بطريقة تتحدى تجربتنا اليومية. هذه الظاهرة، المعروفة باسم "التشابك"، تعني أن حالة جسيم واحد ترتبط فورياً بحالة جسيم آخر، بغض النظر عن المسافة الفاصلة بينهما. وبينما يعد هذا الاتصال بين جسيمين أمراً بسيطاً نسبياً في الفهم، تصبح الأمور أكثر تعقيداً بشكل هائل عندما يشارك عدد كبير من الجسيمات. ففي الأنظمة التي تضم ثلاثة جسيمات أو أكثر، يمكن للجسيمات أن تتشابك بعدة طرق مختلفة جوهرياً، لكل منها خصائصها الفريدة واستخداماتها المحتملة في تقنيات المستقبل مثل الاتصالات فائقة الأمان والحوسبة القوية. ويعد التمييز بين هذه الأنواع المختلفة من الروابط أمراً ضرورياً للعلماء الذين يرغبون في تسخيرها، لكنه ظل لفترة طويلة مهمة صعبة. فالطرق التقليدية لتحديد هذه الروابط غالباً ما تتطلب كمية هائلة من البيانات وقدرة حوسبية ضخمة، مما يجعلها غير عملية للأنظمة واسعة النطاق المطلوبة للتطبيقات الواقعية.

لقد طور فريق من الباحثين في جامعة بهيانغ في بكين نهجاً جديداً لحل هذه المشكلة، وهو نهج يجمع بين قوة الذكاء الاصطناعي وقاعدة أساسية في الفيزياء تُعرف بمبدأ عدم اليقين. وبدلاً من محاولة رسم خريطة للحالة الكاملة والمعقدة لنظام كمي، وهو أمر يشبه محاولة تصوير كل حبة رمل على الشاطئ لفهم شكل الكثبان الرملية، يركز منهجهم على خاصية محددة وأكثر قابلية للإدارة. فهم يستخدمون علاقة اكتُشفت مؤخراً تصف كيف أن دقة قياس جسيم واحد تتقيد بقياسات جيرانه. ومن خلال تغذية هذه القياسات المحددة في برنامج حاسوبي مصمم لتعلم الأنماط، أنشأ الباحثون أداة يمكنها تحديد نوع التشابك الموجود في النظام بسرعة ودقة.

اختبر الباحثون طريقتهم من خلال توليد الآلاف من الحالات الكمية المحاكات، بدءاً من الأنظمة البسيطة المكونة من ثلاثة جسيمات وصولاً إلى الأنظمة المعقدة المكونة من عشرين جسيماً. وقد أنشأوا هذه الحالات في ثلاث فئات متميزة، وهي الأنواع القياسية للروابط متعددة الجسيمات المستخدمة في الأبحاث الكمية. ولجعل الاختبار واقعياً، لم يكتفوا بالحالات النظرية المثالية، بل شملوا أيضاً حالات مختلطة، والتي تمثل الواقع الفوضوي للتجارب غير المثالية، وحالات مشوبة بالضجيج، والتي تحاكي التداخل الموجود في الأجهزة الكمية الفعلية. تم تدريب البرنامج الحاسوبي على النظر في قياسات عدم اليقين وتصنيف الحالات إلى فئاتها الصحيحة. وكانت النتائج مذهلة: فبالنسبة لأكبر الأنظمة التي تم اختبارها، والتي تضم عشرين جسيماً، حددت الطريقة نوع التشابك بدقة بلغت 99.5% من المرات. وحتى عندما تعرضت البيانات للفساد بسبب الضجيج أو مثلت حالات مختلطة، ظلت الدقة مرتفعة بشكل مثير للإعجاب، حيث بقيت فوق 98% في معظم الحالات.

إن ما يجعل هذا الإنجاز مهماً بشكل خاص هو مقدار العمل الأقل الذي يتطلبه مقارنة بالتقنيات القديمة. فقد اعتمدت الطرق السابقة غالباً على إعادة بناء الوصف الرياضي الكامل للنظام الكمي، وهي عملية تزداد صعوبة بشكل أسّي مع إضافة المزيد من الجسيمات، وتصبح مستحيلة بسرعة للأنظمة الكبيرة. وفي المقابل، تستخدم الطريقة الجديدة ميزة تنمو ببطء أكبر مع عدد الجسيمات، مما يجعلها قابلة للتوسع. ووجد الباحثون أن نهجهم لم يقلل فقط من كمية البيانات اللازمة للقياسات، بل سمح أيضاً للحاسوب بتعلم الأنماط بشكل أسر-ع. ومن خلال التركيز على علاقات عدم اليقين المحددة التي تنشأ من الطريقة التي تترابط بها الجسيمات، تتجاوز هذه الأداة الحاجة إلى جمع البيانات الشامل، مما يوفر مساراً عملياً لتحليل الشبكات الكمية المعقدة في المستقبل.

كما استكشفت الدراسة مدى صمود الطريقة عندما تكون البيانات غير مثالية، وهي مشكلة شائعة في الفيزياء الواقعية. فمن خلال إدخال أخطاء وضجيج محاكى في الحالات الكمية، أظهر الفريق أن المصنف الخاص بهم ظل قوياً، محافظاً على دقة عالية حتى عندما انخفضت جودة الحالات بشكل كبير. وهذا يشير إلى أن الطريقة يمكن أن تكون موثوقة في المختبرات الفعلية حيث نادراً ما تتوفر الظروف المثالية. وبينما تستند النتائج الحالية إلى عمليات محاكاة حاسوبية، يشير المؤلفون إلى أن الخطوة التالية ستكون اختبار النهج على أجهزة كمية حقيقية. وإذا نجح ذلك، فقد تصبح هذه التقنية أداة قياسية للتحقق من جودة الموارد المتشابكة في الشبكات الكمية، مما يضمن أن الروابط الدقيقة المطلوبة للحوسبة والاتصالات المتقدمة تعمل كما هو مخطط لها. ويمثل هذا العمل تحولاً نحو استخدام المبادئ الفيزيائية لتوجيه التعلم الآلي، مما يخلق أدوات ليست قوية فحسب، بل متجذرة أيضاً في القوانين الأساسية للطبيعة.