تعد الحواسيب الكمومية بحل مشكلات مستحيلة بالنسبة لآلات اليوم، لكنها هشة للغاية بشكل ملحوظ. فالجسيمات الدقيقة التي تحمل المعلومات، والتي تسمى الكيوبتات (qubits)، تتأثر بسهولة ببيئتها، مما يتسبب في أخطاء يمكن أن تفسد الحسابات. ولجعل هذه الآلات مفيدة، يجب على العلماء أولاً فهم كيفية سلوكها بدقة. وهذا يتطلب عملية تسمى "التوصيف" (characterization): وهي قياس مخرجات الآلة والعمل عكسياً لمعرفة ما يحدث في الداخل. الأمر يشبه محاولة فهم الأجزاء الداخلية لساعة معقدة من خلال النظر فقط إلى عقاربها، ولكن مع لمسة مختلفة؛ ففي العالم الكمومي، تصبح الرياضيات اللازمة للهندسة العكسية لتروس الساعة معقدة للغاية لدرجة تجعل من المستحيل فعلياً حلها لأي شيء باستثناء أصغر الأجهزة. ومع نمو هذه الآلات لتصل إلى مئات الكيوبتات، تصطدم الطرق التقليدية لمعرفة سلوكها بحائط مسدود، مما يترك الباحثين أمام أجهزة قوية لا يمكنهم الوثوق بها أو ضبطها بالكامل.

لقد طور فريق من الباحثين طريقة جديدة لاختراق هذا الحائط، محولين مشكلة كانت يوماً مستحيلة حوسبياً إلى مهمة يمكن إدارتها. فبدلاً من محاولة حل المعادلات الرياضية المعقدة مباشرة، قاموا بتعليم حاسوب كيفية تعلم العلاقة بين إعدادات الآلة الكمومية ونتائجها من خلال مراقبة ملايين الأمثلة المحاكاتية. هذا النهج، الذي يسمدونه بـ "الاستدلال القائم على المحاكاة" (simulation-based inference)، يسمح لهم ببناء نموذج رقمي يمكنه التخمين فوراً للأسباب الخفية لأي قياس تنتجه حاسوب كمومي حقيقي. وقد أظهر الباحثون هذه الطريقة على أنظمة تصل ضخامتها إلى 81 كيوبت، حيث نجحوا في تحديد أنماط الضجيج، وتصحيح الأخطاء، وحتى رسم خرائط للمواقع الفيزيائية للذرات في محاكي كمومي محاكاتي. ومن خلال تدريب شبكة عصبية على بيانات ناتجة عن حواسيب فائقة كلاسيكية سريعة، أنشأوا أداة يمكنها تحليل جهاز كمومي في خطوة واحدة، مما يوفر ليس فقط أفضل تخمين، بل صورة واضحة لمدى الثقة في ذلك التخمين.

يعتمد جوهر هذه الطريقة الجديدة على تقسيم ذكي للعمل بين نوعين من البرامج الحاسوبية. الأول هو "المحاكي" (simulator)، وهو برنامج يحاكي كيفية سلوك النظام الكمومي تحت ظروف محددة. وبينما تعد محاكاة نظام كمومي حقيقي أمراً صعباً، وجد الباحثون أنه في العديد من الحالات العملية، يمكنهم استخدام خوارزميات كلاسيكية مبسطة لتوليد كميات هائلة من بيانات التدريب بسرعة. وقد قاموا بتغذية هذه البيانات في البرنامج الثاني، وهو شبكة عصبية مصممة لتعلم الأنماط. تم تدريب هذه الشبكة على النظر في مخرجات المحاكي والتنبؤ فوراً بالإعدادات التي تسببت فيها. وبمجرد تدريبها، تعمل هذه الشبكة كمترجم عالمي؛ فعندما ينتج حاسوب كمومي حقيقي قياساً ما، يمكن للشبكة ترجمة تلك البيانات فوراً إلى خريطة احتمالية لما يحدث على الأرجح داخل الآلة. وهذا يلغي الحاجة إلى إجراء حسابات بطيئة ومعقدة لكل تجربة جديدة، محولاً مهمة كانت تستغرق ساعات أو أياماً إلى مسألة ثوانٍ معدودة.

اختبر الباحثون هذا الإطار في أربع تحديات متميزة، مما أظهر تنوعه عبر أنواع مختلفة من المشكلات الكمومية. أولاً، استخدموه للتعرف على الضجيج في نظام مكون من 50 كيوبت. ففي الحوسبة الكمومية، يشير الضجيج إلى الأخطاء العشوائية التي تتسلل إلى الحسابات. نجح الفريق في تحديد الاحتمالات المحددة لهذه الأخطاء لمئات من البوابات المختلفة، وهي اللبنات الأساسية للدوائر الكمومية. ووجدوا أنه بينما كان من السهل تحديد بعض مصادر الخطأ، إلا أن بعضها الآخر كان مرتبطاً بطريقة تجعل من المستحيل فصله. والأهم من ذلك، أن طريقتهم حددت تلقائياً هذه المعلمات "غير القابلة للتعريف"، مما يوضح للباحثين بدقة أين كانت قياساتهم غير كافية وأين يحتاجون إلى البحث بشكل أدق. وهذه القدرة على التمييز بين ما يمكن معرفته وما لا يمكن معرفته هي أداة تشخيصية حيوية لتحسين التجارب المستقبلية.

بعد ذلك، طبق الفريق نماذج الضجيج التي تعلموها لإصلاح الأخطاء في الوقت الفعلي. "تخفيف الخطأ الكمومي" (quantum error mitigation) هو تقنية تُستخدم لتنقية البيانات المشوبة بالضجيج دون الحاجة إلى أجهزة مثالية. ومن خلال تغذية فهم الشبكة العصبية للضجيج في بروتوكولات التصحيح القياسية، تمكنوا من استعادة نتائج دقيقة من عمليات محاكاة مشوبة بالضجيج. وفي اختبار تضمن سلسلة من الذرات المتفاعلة، قللت طريقتهم الأخطاء بأكثر من النصف مقارنة بالتقنيات الموجودة، واستمرت في العمل بدقة حتى عند التنبؤ بنتائج لعمق دوائر لم تره من قبل. وهذا يشير إلى أن النموذج تعلم الفيزياء الكامنة وراء الأخطاء بدلاً من مجرد حفظ أمثلة محددة، مما سمح له بالتعميم في مواقف جديدة.

كما أثبت الإطار فعاليته في "توموغرافيا الحالة الكمومية" (quantum state tomography)، وهي عملية تُستخدم لإعادة بناء الحالة الكمومية الكاملة لنظام ما. عادة ما يتطلب هذا قياس النظام مرات عديدة وإجراء حسابات ثقيلة لكل حالة جديدة. قام الباحثون بتدريب شبكتهم العصبية على مجموعة واسعة من الحالات المحاكاتية ووجدوا أنها تستطيع إعادة بناء حالات جديدة غير مرئية بدقة عالية للغاية. وفي اختبارات مع أنظمة مكونة من 12 كيوبت، أعادت الشبكة بناء الحالات بدقة (fidelity) تجاوزت 99 بالمائة. وهذا يعني أن الطريقة يمكن أن تعمل كأداة قابلة لإعادة الاستخدام للتحقق من جودة الحالات الكمومية دون الحاجة إلى إعادة تدريب النظام لكل تجربة جديدة، وهي خطوة كبيرة نحو جعل التشخيص الكمومي عملياً للآلات واسعة النطاق.

أخيراً، تناول الفريق مشكلة "تعلم الهاميلتونيان" (Hamiltonian learning)، والتي تتضمن معرفة القوى والتفاعلات الدقيقة التي تحكم نظاماً كمومياً. لقد طبقوا طريقتهم على مصفوفة محاكاتية مكونة من 81 ذرة، حيث كان الهدف هو تحديد المواقع الفيزيائية الدقيقة لكل ذرة بناءً على كيفية تفاعلها مع جيرانها. وحتى مع وجود إزاحات صغيرة تبلغ بضعة نانومترات فقط، تمكنت الشبكة العصبية من استنتاج مواقع الذرات بدقة مذهلة. طابقت النتائج القيم الحقيقية بدرجة عالية من الارتباط، كما حددت تقديرات عدم اليقين في الشبكة بدقة المناطق القليلة التي كانت فيها البيانات أقل وضوحاً. وهذه القدرة قد تكون حاسمة لمعايرة المحاكيات الكمومية المستقبلية، حيث يحدد الوضع الفيزيائي للذرات السلوك الكامل للآلة.

يعتمد نجاح هذا العمل على حقيقة أن الباحثين لم يحاولوا حل الرياضيات المستحيلة مباشرة. بدلاً من ذلك، تقبلوا أنهم لا يستطيعون حساب الإجابة لكل موقف جديد. ومن خلال استثمار الوقت مسبقاً لتدريب نموذج على كمية هائلة من البيانات المحاكاتية، أنشأوا نظاماً يؤتي ثماره بكونه سريعاً للغاية وقابلاً لإعادة الاستخدام. تعمل الطريقة لأنها تستفيد من حقيقة أن العديد من الأنظمة الكمومية، حتى الكبيرة منها، لها هياكل لا تزال الحواسيب الكلاسيكية قادرة على محاكاتها بكفاءة. ومن خلال الجمع بين هذه المحاكيات الفعالة والشبكات العصبية القوية، أنشأ الباحثون جسراً بين العالمين الكلاسيكي والكمومي. لا يحل هذا النهج محل الحاجة إلى التجارب الفيزيائية، ولكنه يوفر عدسة قوية للنظر إليها، محولاً البيانات الخام إلى رؤى قابلة للتنفيذ حول العالم الكمومي.

تمتد تداعيات هذا العمل إلى ما هو أبعد من هذه الاختبارات المحددة. يشير الباحثون إلى أن طريقتهم عامة بما يكفي لتطبيقها على العديد من المشكلات الأخرى في العلوم الكمومية، مثل معايرة المستشعرات أو تصميم ضوابط التغذية الراجعة. وبينما تعتمد النتائج الحالية على المحاكاة، فإن الإطار مصمم للعمل مع البيانات التجريبية الحقيقية أيضاً. وتظل العقبة الرئيسية هي القدرة على محاكاة بيانات التدريب؛ فإذا أصبح النظام معقداً للغاية بحيث يصعب حتى على أفضل المحاكيات الكلاسيكية محاكاته، فستحتاج الطريقة إلى التكيف. ومع ذلك، بالنسبة للنطاق الواسع من الأنظمة الكمومية المتاحة حالياً، توفر هذه التقنية مساراً عملياً للمضي قدماً. إنها تحول توصيف الأجهزة الكمومية من عملية بطيئة ومخصصة إلى قدرة مؤتمتة ومنظمة، مما يقربنا من اليوم الذي يمكن فيه ضبط الحواسيب الكمومية والوثوق بها لتطبيقات العالم الحقيقي.