Symmetry and AI-assisted discovery of magic-state factories

تعد الحواسيب الكمومية بحل مشكلات قد تستغرق الحواسيب الفائقة اليوم آلاف السنين لفك رموزها، لكنها تواجه هشاشة جوهرية. فالبتات الكمومية الدقيقة، أو "الكيوبتات"، التي تحمل المعلومات، تتأثر بسهولة بالحرارة، أو الاهتزاز، أو المجالات الكهرومغناطيسية الشاردة. ولبناء آلة يمكنها العمل فعلياً، يجب على العلماء حماية هذه المعلومات باستخدام تقنية تسمى "تصحيح الخطأ". تتضمن هذه العملية توزيع قطعة واحدة من المعلومات المنطقية عبر العديد من الكيوبتات الفيزيائية، مما يسمح للنظام باكتشاف الأخطاء وإصلاحها دون تدمير البيانات. وبينما تعتبر العمليات الأساسية اللازمة لنقل هذه المعلومات سهلة التنفيذ بشكل موثوق نسبياً، فإن العمليات الأكثر قوة المطلوبة للحسابات المعقدة أصعب بكثير في التنفيذ دون إدخال أخطاء جديدة. ولجسر هذه الفجوة، يعتمد الباحثون على مورد خاص يُعرف باسم "الحالة السحرية" (magic state). هذه حالات كمومية عالية النقاء، والتي عند حقنها في النظام، تسمح للحاسوب بأداء العمليات الصعبة وغير القياسية اللازمة للحوسبة الشاملة. ومع ذلك، فإن إنشاء هذه الحالات مكلف؛ إذ إن عملية تقطيرها من نسخ ضوضائية وغير كاملة تستهلك قدراً هائلاً من وقت الآلة ومواردها الفيزيائية.

إن التحدي المركزي في بناء حاسوب كمومي عملي هو معرفة كيفية جعل عمليات التقطير هذه أكثر كفاءة قدر الإمكان. فإذا كانت العملية شديدة الهدر، فسوف يقضي الحاسوب معظم حياته في صنع الوقود الذي يحتا actually يحتاجه للعمل، تاركاً وقتاً ضئيلاً للحسابات الفعلية. لسنوات، بحث العلماء عن طرق أفضل لترتيب الدوائر التي تقوم بعملية التقطير هذه، بحثاً عن أنماط تقلل من عدد المدخلات الضوضائية المطلوبة لإنتاج مخرج واحد عالي الجودة. وحتى الآن، كان هذا البحث مقتصرًا على أنظمة صغيرة نسبيًا. لقد كان العثور على الترتيبات الأكثر كفاءة للأنظمة الأكبر حجماً يشبه محاولة العثور على إبرة محددة في كومة قش تستمر في النمو، وهي مهمة تصبح مستحيلة بسرعة بالنسبة للطرق التقليدية لإكمالها. وقد نجح فريق من الباحثين الآن في اختراق هذا الحاجز من خلال الجمع بين التماثل الرياضي والذكاء الاصطناعي لاكتشاف مئات الطرق الجديدة والأكثر كفاءة لبناء هذه المكونات الأساسية.

تعامل الباحثون مع المشكلة من خلال النظر إلى عملية التقطير ليس فقط كدائرة من الأسلاك والبوابات، بل كشبكة مهيكلة من المعلومات. وأدركوا أنه لكي يكون النظام قوياً بما يكفي لالتقاط الأخطاء، يجب أن يتبع أسلوب تفاعل المدخلات قاعدة صارمة: يجب أن يترك كل مدخل "بصمة" فريدة وغير صفرية على فحوصات الخطأ في النظام. فإذا ترك مدخلان نفس البصمة، فلن يتمكن النظام من التمييز بينهما، وستتسلل الأخطاء دون اكتشافها. سمحت هذه الرؤية لهم بتقسيم المشكلة إلى جزأين. أولاً، كان عليهم اختيار مجموعة من البصمات الفريدة، والتي أطلقوا عليها اسم الهيكل "الأب" (parent structure). ثانياً، كان عليهم معرفة كيفية ترتيب المخرجات بحيث تتطابق مع الحساب المطلوب. ومن خلال التركيز على البصمات أولاً، تمكنوا من تضييق الاحتمالات اللانهائية إلى مجموعة يمكن إدارتها من المرشحين.

وللتنقل في هذا المشهد الشاسع من الاحتمالات، وظف الفريق مجموعة من وكلاء الذكاء الاصطناعي. لم تكن هذه الوكلاء مجرد تخمين؛ بل عملوا كمجموعة بحثية تعاونية. اقترح أحد مجموعات الوكلاء هياكل جديدة بناءً على التماثلات الرياضية، وهو ما يعني اقتراح أنماط قد تعمل جيداً معاً. وعملت مجموعة أخرى من الوكلاء كمراجعين، حيث قاموا بتحليل نتائج المحاولات السابقة وتحديد الاتجاهات التي تستحق المتابعة لاحقاً. وكتبت مجموعة ثالثة من الوكلاء التعليمات للجولة التالية من البحث. وتمت الإشراف على هذه العملية برمتها بواسطة محرك حتمي يفحص بدقة كل مقترح. فإذا اقترح وكيل ترتيباً جديداً، يقوم المحرك بالتحقق رياضياً مما إذا كان يعمل بالفعل وما إذا كان بإمكانه التقاط الأخطاء كما وعد. سمحت حلقة الاقتراح والتحقق والتحسين هذه للفريق باستكشاف مناطق من مساحة البحث كانت غير قابلة للوصول سابقاً للباحثين البشر أو خوارزميات الكمبيوتر القياسية.

كانت نتائج هذا البحث جوهرية. فقد حدد الفريق 699 فئة متميزة من مصانع التقطير، منها 564 فئة كانت اكتشافات جديدة تماماً. تغطي هذه التصاميم الجديدة نطاقاً واسعاً من الأحجام، بدءاً من أنظمة تحتوي على بضع عشرات من المدخلات وصولاً إلى هياكل ضخمة تضم أكثر من ألف مدخل. ومن بين النتائج، كانت هناك عدة تصميمات سجلت أرقاماً قياسية في الكفاءة. أحد التصاميم المحددة، القادر على إنتاج 128 حالة عالية الجودة من 850 مدخلاً ضوضائياً، حقق مستوى من الكفاءة لم يسبق له مثيل لأنظمة بهذا الحجم. والأكثر لفتاً للنظر، وجد الفريق تصميماً بـ 1,715 مدخلاً يتطلب موارد أقل لكل مخرج من أي طريقة معروفة سابقاً، مما كسر فعلياً حاجزاً طويلاً كان يُعتقد أن تكلفة التقطير فيه لا يمكن تجنبها. ولا تقتصر هذه التصاميم على إنتاج نوع واحد من الحالات؛ بل يمكنها أيضاً توليد تركيبات معقدة ومتشابكة من حالات كمومية مختلفة، والتي غالباً ما تكون أكثر فائدة لأنواع معينة من الحسابات.

إن أهمية هذه النتائج تمتد إلى ما هو أبعد من الأرقام المحددة. فقد جعل الباحثون عملية الاكتشاف بأكملها متاحة للجمهور، حيث وفروا دليلاً للتعليمات والبيانات يتيح للآخرين تدريب وكلاء الذكاء الاصطناعي الخاص بهم للبحث عن حلول أفضل. يحول هذا النهج البحث عن مكونات كمومية أفضل من جهد فردي ثابت إلى استكشاف ديناميكي يقوده المجتمع. ومن خلال إثبات أن الأساليب المدعومة بالذكاء الاصطناعي يمكن أن تنجح في التنقل عبر القيود المعقدة لتصحيح الخطأ الكمومي، يفتح هذا العمل الباب أمام مستقبل يمكن فيه تحسين الأجزاء الأكثر استهلاكاً للموارد في الحوسبة الكمومية بشكل مستمر. لقد بنى الفريق فعلياً خريطة جديدة للمجتمع الكمومي، توضح أن الطريق إلى حاسوب عملي ومقاوم للأخطاء ليس مسدوداً بسبب نقص الأفكار، بل بسبب صعوبة العثور على الأفكار الصحيحة من بين مليارات الاحتمالات. ومع هذه الأدوات والاكتشافات الجديدة، تقترب رؤية آلة يمكنها حل أصعب المشكلات في العالم بشكل موثوق خطوة كبيرة نحو الواقع.