Lifting: Quantum State Discrimination Framework for Mid-Circuit Measurements

تعد الحواسيب الكمومية بحل مشكلات قد تستغك من الآلات الكلاسيكية آلاف السنين، لكنها هشة للغاية. ولكي تعمل، يجب أن تنفذ تسلسلات معقدة من العمليات مع التحقق باستمرار من الأخطاء. ويتمثل جزء حاسم من هذه العملية في القدرة على قياس البت الكمومي، أو "الكيوبت"، في منتصف عملية حسابية دون تدمير الحساب بأكره. يُعرف هذا باسم القياس في منتصف الدائرة. عندما يتم قياس الكيوبت، فإنه ينتج إشارة ميكروويف خافتة يجب تفسيرها لتحديد ما إذا كان الكيوبت في حالة الصفر أو الواحد. ومع ذلك، في الرقائق فائقة التوصيل المستخدمة اليوم، غالبًا ما تكون هذه الإشارة صاخبة ومشوهة. ومع تقدم الحساب وقياس الكيوبتات بشكل متكرر، تتدهور الحالة الفيزيائية للأجهزة، مما يجعل الإشارات أصعب في القراءة. وإذا أخطأ الكمبيوتر في تفسير الإشارة، فقد يطبق التصحيح الخاطئ، مما يؤدي إلى فشل الحساب بأكمله.

لقد حاول الباحثون تحسين عملية القراءة هذه باستخدام الذكاء الاصطناعي، وتحديداً الشبكات العصبية، التي تتميز بقدرتها على إيجاد الأنماط في البيانات الفوضوية. ومع ذلك، هناك حد أقصى لمدى جودة أداء هذه الشبكات إذا كانت تنظر فقط إلى الإشارة من كيوبت واحد. فإذا تسبب الضجيج في تداخل إشارات الصفر والواحد بشكل كبير، فلن تتمكن أي كمية من التدريب البرمجي من التمييز بينهما بيقين. علاوة على ذلك، فإن طرق المعايرة القياسية، التي تُعلم الكمبيوتر كيفية قراءة الإشارات قبل بدء التشغيل، غالبًا ما تفشل في مطابقة الواقع لما يحدث أثناء عملية حسابية طويلة ومعقدة. فالإشارات تتغير مع سير الدائرة، مما يترك البرمجيات مدربة على معلومات قديمة.

وللتغلب على هذه العقبات، طور فريق من الباحثين من جامعة إنديانا ومختبر لورانس بيركلي الوطني إطار عمل جديدًا يسمى "Lifting" (الرفع). وبدلاً من محاولة إتقان قراءة كيوبت واحد، يقوم "Lifting" بتغيير طريقة جمع المعلومات. فقبل قياس الكيوبت المستهدف، يقوم النظام بربطه مؤقتًا بواحد أو أكثر من الكيوبتات المساعدة. وهذا يخلق مجموعة من الكيوبتات التي تشترك في الحالة نفسها. ثم يقوم النظام بقياسها جميعًا في الوقت نفسه تمامًا، مما يلتقط إشارة مشتركة تتضمن الكيوبت المستهدف ومساعديه. ومن خلال النظر إلى هذه الصورة المشتركة بدلاً من إشارة واحدة معزولة، يكتسب النظام معلومات إضافية تساعد في فصل حالتي الصفر والواحد، حتى عندما تكون صاخبة.

اختبر الباحثون هذا النهج على ثلاثة معالجات كمومية مختلفة من IBM. ووجدوا أن مجرد إضافة الكيوبتات المساعدة وقياسها معًا قلل بشكل كبير من الارتباك بين الحالات. ومع ذلك، اكتشف الفريق أن توقيت التدريب كان لا يقل أهمية عن الأجهزة نفسها. فقد ابتكروا طريقة لمعايرة برنامج القراءة أثناء تشغيل الدائرة فعليًا، مما يضمن أن يتعلم الكمبيوتر تفسير الإشارات في ظل الظروف الدقيقة التي سيواجهها خلال المهمة الحقيقية. وقد راعت هذه المعايرة "في الموقع" (in situ) الطريقة التي تتغير بها الأجهزة مع تقدم الحساب.

وعندما جمع الباحثون بين تقنية القياس المشترك وهذه المعايرة في الوقت الفعلي، كانت النتائج جوهرية. ففي اختبار يتضمن قياسات متكررة، نجح نظام قياسي يعتمد على طرق معايرة قديمة في إكمال المهمة بشكل صحيح بنسبة 54 بالمائة فقط تقريبًا. أما إطار عمل "Lifting" الجديد، الذي يستخدم الإشارات المشتركة والتدريب في الوقت الفعلي، فقد رفع معدل النجاح إلى ما يقرب من 62 بالمائة عند تصفية النتائج الأكثر غموضًا. وفي اختبارات أخرى تتضمن تصحيح الأخطاء ونقل البيانات (teleportation)، تفوقت الطريقة الجديدة باستمرار على الأساليب القياسية. وتشير الدراسة إلى أن أفضل طريقة لقراءة الكمبيوتر الكمومي ليست فقط ببناء مفكك شفرة أفضل، بل بتغيير المعلومات المتاحة له وتعليمه باستخدام نفس الظروف التي سيواجهها في العالم الحقيقي. ويقدم هذا النهج مسارًا عمليًا لجعل الحواسيب الكمومية أكثر موثوقية دون الحاجة إلى أجهزة جديدة تمامًا.