في العالم المعقد للبنية التحتية الحديثة، من تدفق الكهرباء عبر قارة إلى توجيه البيانات عبر شبكة عالمية، هناك حاجة مستمرة لتنظيم الاتصالات بكفاءة. تخيل شبكة ضخمة من الطرق حيث يجب نقل حركة المرور من العديد من نقاط البداية إلى العديد من الوجهات دون أن يصطدم أي مركبتين ببعضهما البعض عند تقاطع ما. في الرياضيات وعلوم الحاسوب، يُعرف هذا التحدي باسم مشكلة المطابقة (matching problem): إيجاد أكبر مجموعة ممكنة من الاتصالات التي لا تشترك في أي نقاط نهاية. وعندما يكون الهدف هو تفكيك شبكة معقدة وفوضوية إلى أصغر عدد من هذه المجموعات النظيفة وغير المتداخلة، تصبح المهمة صعبة للغاية بالنسبة للحواسيب القياسية. هذا هو مجال التحسين التوافقي (combinatorial optimization)، وهو مجال يتطلب فيه العثور على الترتيب المثالي غالبًا فحص المزيد من الاحتمالات مما يوجد من ذرات في الكون. ولمواجهة هذه المشكلات، يتجه العلماء إلى الحواسيب الكمومية، وهي آلات تستخدم القواعد الغريبة لميكانيكا الكم لاستكشاف العديد من الاحتمالات في وقت واحد. ومع ذلك، لا تزال الأجهزة الكمومية الحالية صغيرة وهشة، حيث لا تحتفظ إلا ببضع مئات من بتات المعلومات، بينما تتضمن المشكلات الواقعية التي تهدف لحلها غالبًا آلاف المتغيرات. السؤال المركزي للباحثين هو ما إذا كان بإمكانهم تقسيم مشكلة ضخمة إلى قطع أصغر، وحل تلك القطع على الأجهزة المحدودة المتاحة اليوم، ثم دمج الإجابات معًا لحل اللغز بأكمله.

لقد اتخذ فريق من الباحثين خطوة مهمة نحو الإجابة على ذلك السؤال من خلال تطبيق نهج هجين بنجاح على محاكاة لشبكة طاقة ضخمة. لقد ركزوا على تحدٍ محدد يسمى "تفكيك بيركوف المينيمم" (Minimum Birkhoff Decomposition)، والذي يسأل عن كيفية إعادة بناء رسم بياني للطلب المعقد باستخدام أقل عدد ممكن من المطابقات الموزونة. تعني المطابقات الأقل تقليل عمليات التبديل وإعادة التشكيل في العالم الحقيقي، مما يترجم إلى تكاليف أقل وكفاءة أعلى لأشياء مثل تجارة الطاقة وجدولة الشبكات. اختبر الباحثون طريقتهم على نموذج واقعي لشبكة نقل جهد عالٍ أوروبية، تُعرف باسم حالة PEGASE-1354. يمثل هذا النموذج شبكة تضم 1,354 نقطة اتصال و1,710 خط نقل. إذا حاول شخص ما حل هذه المشكلة مباشرة على حاسوب كمومي، فسيطلب ذلك آلة تحتوي على 1,710 كيوبت (qubit)، وهي الوحدات الأساسية للمعلومات الكمومية. وبما أن أكثر المعالجات الكمومية تقدمًا المتاحة اليوم تمتلك عددًا أقل بكثير من الكيوبتات، فقد اضطر الفريق إلى إيجاد طريقة لتقليص المشكلة دون فقدان الميزة الكمومية الجوهرية.

ولجعل هذا ممكنًا، طور الفريق سير عمل يقسم الشبكة الضخمة إلى قطع أصغر يمكن إدارتها. استخدموا تقنية تسمى "التقسيم الطيفي" (spectral partitioning)، والتي تعمل كرسام خرائط ذكي، حيث تجمع الأجزاء الأكثر ترابطًا في الشبكة مع قطع أقل قدر ممكن من الاتصالات بينها. سمح لهم ذلك بتفكيك مشكلة الـ 1,710 خطًا إلى عشرات المشكلات الفرعية الأصغر، وكل منها صغير بما يكفي ليتناسب مع الأجهزة الكمومية الحالية. وتحديدًا، استهدفوا تقسيمات تبلغ حوالي 50 كيوبت، وهو حجم يتناسب مع قدرات المعالجات الكمومية فائقة التوصيل الموجودة حاليًا. لكل من هذه القطع الأصغر، قاموا بتشغيل خوارزمية أخذ عينات كمومية تُعرف باسم QAOA، وهي مصممة لإيجاد حلول مرشحة جيدة من خلال استكشاف مشهد الاحتمالات. وبدلاً من محاولة العثور على الإجابة المثالية الوحيدة لكل قطعة، قام الحاسوب الكمومي بتوليد مجموعة متنوعة من المطابقات المحتملة. بعد ذلك، تم تمرير هذه المرشحات إلى حاسوب كلاسيكي، الذي عمل كمشرف؛ حيث قام الحاسوب الكلاسيكي بالتحقق من الحلول بحثًا عن الأخطاء، وإصلاح أي صراعات حيث تتقاطع الاتصالات بشكل غير صحيح، ودمج أفضل القطع من التقسيمات المختلفة لبناء حل عالمي. تُعرف عملية الفحص والإصلاح هذه باسم "إصلاح الجدوى الجشع" (greedy feasibility repair)، وهي تضمن أن تكون النتيجة النهائية تكوينًا صالحًا وعاملًا.

كانت نتائج هذه التجربة مشجعة، حيث أظهرت أن النهج المدعوم كموميًا يمكنه التفوق على الطرق التقليدية حتى على آلة ذات قيود كبيرة. فعندما قارن الباحثون مرشحاتهم المولدة كموميًا مقابل تلك الناتجة عن "التلدين المحاكي" (simulated annealing) -وهي تقنية تحسين كلاسيكية قياسية- وأخذ العينات العشوائية المنتظمة، أنتجت الطريقة الكمومية باستمرار نتائج أفضل. حققت العينات التي تم إصلاحها من المعالج الكمومي معدل خطأ أقل، مما يعني أن الشبكة المعاد بناؤها كانت أقرب إلى الطلب المثالي من الحلول التي وجدتها النماذج الكلاسيكية المرجعية. علاوة على ذلك، اكتشف الفريق أن حجم التقسيمات كان مهمًا للغاية؛ فعندما قاموا بتفكيك المشكلة إلى قطع صغيرة جدًا مكونة من 20 كيوبت فقط، انخفضت جودة الحلول بشكل كبير، مما يشير إلى أن الحاسوب الكمومي يحتاج إلى قدر معين من التعقيد ليكون مفيدًا. وإذا كانت القطع صغيرة جدًا، فإنها تصبح سهلة بالنسبة للحاسوب الكلاسيكي لمحاكاتها، مما يلغي الحاجة إلى الآلة الكمومية. ومع ذلك، عندما تم الإبقاء على التقسيمات بحجم أكبر، حوالي 50 كيوبت، احتفظ النظام بالقدرة على إيجاد حلول عالية الجودة يصعب على الطرق الكلاسيكية مضاهاتها. يشير هذا إلى أن الميزة الكمومية تكمن في التعامل مع مستوى معين من التعقيد حيث تكون الارتباطات بين المتغيرات شديدة التعقيد بحيث لا تستطيع الاستدلالات الكلاسيكية البسيطة التنقل فيها بفعالية.

كانت هناك نتيجة رئيسية أخرى تتعلق بتأثير كيفية ترتيب الدوائر الكمومية على الأجهزة الفيزيائية. استخدم الباحثون تقنية تسمى "تعبئة الدوائر المكانية" (spatial circuit packing)، والتي تسمح بتشغيل العديد من المشكلات الكمومية المستقلة في وقت واحد على أجزاء مختلفة من نفس المعالج. ومن خلال ترتيب هذه المهام بعناية، تمكنوا من تقليل إجمالي وقت التنفيذ بمعامل قدره ثلاثة أضعاف مقارنة بتشغيل المهام واحدة تلو الأخرى. هذا التسريع أمر بالغ الأهمية للتطبيقات العملية، لأنه يجعل عملية حل مشكلات التحسين الكبيرة أكثر جدوى ضمن إطار زمني معقول. كما اختبر الفريق النظام على معالج كمومي حقيقي، وهو جهاز IBM Heron، ووجدوا أن نتائج الأجهزة تتبعت بدقة أداء المحاكاة عالية الدقة. وبينما أدخلت الأجهزة الحقيقية بعض الضجيج والأخطاء، كانت توليفة أخذ العينات الكمومية والإصلاح الكلاسيكي قوية بما يكفي للتغلب على هذه العيوب. وقد استبعدت الدراسة صراحةً فكرة أن مجرد جعل المشكلة أصغر هو الاستراتيجية الأفضل؛ حيث وجدوا أن التقسيم القوي الذي قلص المشكلة إلى شظايا صغيرة للغاية أدى في الواقع إلى تدهور جودة الحل. بدلاً من ذلك، تم العثي على "النقطة المثالية" في إبقاء التقسيمات كبيرة بما يكفي للحفاظ على الارتباطات الكمومية المفيدة وصغيرة بما يكفي لتناسب الآلة.

كما بحث الباحثون في مدى مقدار "التشابك" الكمومي (entanglement)، أو الاتصال العميق بين الكيوبتات، الضروري للنجاح. قاموا بمحاكاة العملية باستخدام طريقة يمكنها التحكم في مقدار الارتباط الكمومي المتبقي في الحساب. وأظهرت اختباراتهم أنه إذا قاموا بقطع الكثير من هذا الاتصال اصطناعيًا، فإن جودة المرشحات المتولدة ستتضرر. يشير هذا إلى أن المعالج الكمومي لا يعمل مجرد مولد للأرقام العشوائية، بل يستخدم خصائصه الفريدة حقًا لاستكشاف مساحة الحل بطريقة لا تستطيع الحواسيب الكلاسيكية محاكاتها بسهولة. لم تدعِ الدراسة أنها حلت مشكلة التفوق الكمومي بشكل نهائي، ولم تقترح أن هذه الطريقة جاهزة للنشر التجاري الفوري. بل أظهرت مسارًا قابلاً للتطبيق للمضي قدمًا. فمن خلال الجمع بين التقسيم الطيفي، والتعبئة المكانية، والإصلاح الكلاسيكي، أظهر الفريق أنه من الممكن تنفيذ أخذ العينات القائم على البوابات (gate-based sampling) لمشكلات التحسين المقيدة ذات آلاف المتغيرات باستخدام الأجهزة الحالية. ويعمل هذا العمل كإثبات للمفهوم بأن أخذ العينات الكمومي الموزع يمكن توسيعه، بشرط إبقاء التقسيمات كبيرة بما يكفي للحفاظ على السلوك الكمومي الذي يجعل النهج ذا قيمة في المقام الأول.

وبالنظر إلى المستقبل، يرى الباحثون أن الخطوة المنطقية التالية هي زيادة حجم هذه التقسيمات إلى 100 كيوبت على الأقل وإدارة كثافتها بعناية لضمان بقائها قابلة للحل على الأجهزة. لقد بدأوا بالفعل في اختبار هذا النهج على معايير أكبر، حيث تظهر النتائج الأولية أن الطريقة يمكنها باستمرار الوصول إلى الدقة المستهدفة ضمن عدد معقول من الخطوات وإنتاج تفكيكات أكثر ندرة وكفاءة من الطرق الكلاسية الجشعة. والهدف النهائي هو الحفاظ على مساهمة كمومية مفيدة داخل كل تقسيم مع نمو المشكلة الإجمالية، مما يضمن بقاء الحاسوب الكمومي جزءًا أساسيًا من الحل وليس مجرد وسيلة تكميلية. يسلط هذا البحث الضوء على نهج براغماتي لعصر الكم، وهو نهج يقر بحدود آلات اليوم مع رسم مسار واضح لكيفية استخدامها بفعالية لحل تحديات التحسين الضخمة في العالم الحقيقي التي تقع خارج نطاق القدرة الحاسوبية الكلاسيكية.