Quantum and Classical Memory for Storage and Retrieval of Quantum Measurements

في العالم الكمومي، تسلك المعلومات سلوكاً مختلفاً عما نعهده في تجربتنا اليومية. فثمة قاعدة أساسية تقضي بأنه لا يمكنك ببساطة نسخ قطعة من البيانات الكمومية دون تدمير الأصل، كما لا يمكنك وصف حالة كمومية مجهولة بشكل كامل بمجرد النظر إليها مرة واحدة. وهذا يخلق تحدياً فريداً للعلماء الذين يسعون لبناء آلات يمكنها التعلم من الأنظمة الكمومية. تخيل أنك تحاول تعليم حاسوب كيفية التعرف على نوع معين من الضوء أو مجال مغناطيسي محدد، لكن يُسمح لك فقط بالنظر إلى المصدر عدداً محدوداً من المرات، ولا يمكنك تدوين وصف كامل لما رأيته. بدلاً من ذلك، يجب عليك تخزين "جوهر" تلك الملاحظة في جهاز ذاكرة، ثم استخدام هذه الذاكرة لاحقاً لإعادة إنتاج نفس السلوك بدقة على مدخل جديد ونقي. هذا هو صلب مهمة التخزين والاسترجاع الكمومي: التقاط سلوك جهاز قياس مجهول وإعادة تشغيله ببراعة لاحقاً.

تكمن الصعوبة في طبيعة الذاكرة المطلوبة. يمكن تخزين المعلومات الكمومية بطريقتين: إما في سجل كمومي، الذي يحمل حالات هشة وحساسة يمكن أن توجد في احتمالات متعددة في آن واحد، أو في سجل كلاسيكي (تقليدي)، الذي يحمل بتات قياسية مثل تلك الموجودة في هاتفك. والسؤال الذي طالما ناقشه الباحثون هو مقدار كل نوع من أنواع الذاكرة المطلوبة لتخزين واسترجاع عملية قياس مجهولة بشكل مثالي. إذا كان للقياس نتائج عديدة محتملة، فهل ستنمو الذاكرة بشكل انفجاري؟ هل يمكننا الاكتفاء ببعض الملاحظات الكلاسيكية القليلة، أم أننا نحتاج حتماً إلى قرص صلب كمومي ضخم؟

لقد تصدى فريق من الباحثين من معهد المعلوماتية النظرية والتطبيقية في بولندا لهذه المشكلة من خلال تصميم وتحليل طرق مختلفة لتخزين عمليات القياس هذه. وقد ركزوا على سيناريو محدد حيث يكون الهدف هو الاسترجاع "المُعلن" (heralded). وهذا يعني أن النظام لا يكتفي بالتخمين؛ بل يعطي إشارة واضحة عندما ينجح في تخزين المعلومات ويكون مستعداً لإعادة تشغيلها. فإذا قالت الإشارة "نجاح"، فإن إعادة الإنتاج تكون مثالية. أما إذا قالت "فشل"، فيتم استبعاد المحاولة. تساءل الباحثون: ما هي الطريقة الأكثر كفاءة لبناء هذه الذاكرة، وكيف تتغير الإجابة اعتماداً على مقدار المعلومات التي يُسمح لنا بالوصول إليها عن القياس في المقام الأول؟

استكشف الفريق ثلاث طرق متميزة للوصء إلى القياس المجهول، والتي تعاملوا معها كـ "أوراكل" (oracles) أو صناديق سوداء مختلفة. النهج الأكثر بساطة هو الطريقة المباشرة، حيث لا يمكن للباحث إلا رؤية النتيجة النهائية للقياس، تماماً مثل قراءة ميزان حرارة. أما الطريقتان الأخريان فهما أكثر هيكلية؛ إذ تتضمن إحداهما الوصول إلى نسخة أعمق وأكثر تعقيداً من القياس تتضمن خطوات كمومية خفية، بينما تقوم الأخرى بتفكيك القياس إلى سلسلة من الفروع الاحتمالية الأبسط. ومن خلال مقارنة هذه الطرق، اكتشف الباحثون أن النهج الأكثر مباشرة هو في الواقع الأكثر قوة من حيث معدل النجاح. فعندما استخدموا الطريقة المباشرة، وجدوا أن بإمكانهم ضغط الذاكرة اللازمة لتخزين القياس في حجم صغير بشكل مفاجئ.

يتعلق أهم اكتشافاتهم بالتوازن بين الذاكرة الكمومية والكلاسيكية. فقد أثبتوا أنه مهما كانت خطة التخزين ذكية، فلا يمكنك إلغاء الحاجة إلى الذاكرة الكمومية تماماً إذا كنت تريد تخزين قياس له نتائج متعددة. فحتى لو كان لديك كمية غير محدودة من الورق وأقلام الرصاص الكلاسيكية لتدوين الملاحظات، فستظل بحاجة إلى ذاكرة كمومية بحجم معين لإنجاز المهمة. علاوة على ذلك، أظهروا أن إجمالي الذاكرة المطلوبة ينمو ببطء شديد مع زيادة عدد النتائج المحتملة. وتحديداً، تنمو الذاكرة المطلوبة لوغاريتمياً فقط مع عدد النتائج. ومن الناحية العملية، هذا يعني أنه حتى لو كان للقياس آلاف النتائج المحتملة، فإن الذاكرة المطلوبة لتخزينه لا تحتاج لأن تكون أكبر بآلاف المرات مما هي عليه لنتائج قليلة؛ فهي تنمو بوتيرة أكثر قابلية للإدارة.

كما قارن الباحثون كفاءة استراتيجيات التخزين المختلفة لديهم. ووجدوا أن الطريقة المباشرة، التي تعتمد على الوصول الأبسط للقياس، تفوقت باستمرار على الطرق الأكثر تعقيداً وهيكلية من حيث احتمالية النجاح. وبينما قدمت الطرق الهيكلية بعض المزايا في كيفية تقسيم الذاكرة بين الأجزاء الكمومية والكلاسيكية، إلا أنها لم تنجح أبداً بمعدل أكبر من الطريقة المباشرة. في الواقع، تطلبت الطريقة المباشرة، في كثير من أنواع القياسات الشائعة، ذاكرة إجمالية أقل ونجحت في كثير من الأحيان بشكل أكبر. كما كشونت الدراسة أن نوع المعلومات المخزنة يفرق تماماً؛ فإذا قمت بتخزين البيانات الخام لنتائج القياس دون إعادة محاذاة الأجزاء الكمومية للذاكرة بعناية، فستفقد القدرة على إعادة إنتاج القياس بدقة. ومع ذلك، إذا قمت بتخزين "نمط" أو "نوع" النتائج جنباً إلى جنب مع البيانات الكمومية، فيمكنك ضغط الذاكرة بشكل كبير دون فقدان الدقة.

وكان من أكثر النتائج إثارة للدهشة هو إثبات أن الذاكرة الكمومية البحتة ليست دائماً الخيار الأفضل أو الوحيد. فقد أظهر الفريق أنه لأنواع معينة من القياسات، يعمل النهج الهجين بشكل أفضل، حيث يتم دمج ذاكرة كمومية صغيرة مع سجل كلاسيكي لأنماط النتائج. وقد حسبوا أن السجل الكلاسيكي لقياس له عدد معين من النتائج يمكن إبقاؤه صغيراً ومستقلاً عن عدد مرات ملاحظة القياس، بينما تظل الذاكرة الكمومية مدمجة. وهذا يتحدى الحدس الذي يقول إن المهام الكمومية تتطلب دائماً موارد كمومية ضخمة.

كما تناولت الدراسة حدود الممكن. فقد أثبت الباحثون أنه كلما اقترب معدل النجاح المنشود من المثالية، زادت الذاكرة المطلوبة، لكنها تفعل ذلك بطريقة لوغاريتمية يمكن التنبؤ بها. وهذا يعني أنه بينما يكون من الصعب الحصول على نتيجة مثالية في كل مرة، فإن التكلفة في الذاكرة لا تنفجر؛ بل تزداد بثبات. كما استبعدوا إمكانية أن تتمكن كمية محدودة من الذاكرة الكلاسيكية من استبدال الحاجة إلى الذاكرة الكمومية تماماً. فمهما أضفت من بتات المعلومات الكلاسيكية، هناك حد أدنى صلب لا يمكن للذاكرة الكمومية أن تنخفض دونه.

وفي تحليلهم، استخدم الباحثون مثالاً محدداً لقياس يُعرف باسم "SIC POVM" لنظام كمومي ثنائي المستويات، وله أربعة نتائج محتملة. وقد حسبوا المتطلبات الدقيقة للذاكرة لهذه الحالة مع خمسين ملاحظة. ووجدوا أن الطريقة المباشرة تطلبت ستة عشر كيوبت فقط من الذاكرة الكمومية وخمس عشرة بت من الذاكرة الكلاسيكية لتحقيق معدل نجاح يزيد عن أربعة وتسعين بالمئة. وفي المقابل، تطلبت طريقة أكثر تعقيداً حاولت تخزين العملية الوحدوية الكمومية الكاملة الكامنة خلف القياس ثمانية وأربعين كيوبت، وكانت أقل نجاحاً. هذا المثال الملموس سلط الضوء على أن المسار المباشر والأبسط لم يكن أسهل في الفهم فحسب، بل كان أيضاً أكثر كفاءة في الممارسة العملية.

وقد أوضحت الدراسة أيضاً دور "المعلومات الجانبية". ففي بعض السيناريوهات، قد يقدم المصمم تفاصيل إضافية عن القياس، مثل معرفة مسبقة بأن القياس يتضمن فقط تأثيرات بسيطة من الرتبة الأولى. وأظهر الباحثون أنه عند توفر هذه المعلومات، يمكن تقليل متطلبات الذاكرة بشكل أكبر. ومع ذلك، فإن القواعد الأساسية التي اكتشفوها فيما يتعلق بضرورة الذاكرة الكمومية والنمو اللوغاريتمي لإجمالي الذاكرة تظل قائمة. وشددوا على أن نتائجهم تستند إلى بناءات صريحة لبروتوكولات التخزين، مما يعني أنهم بنوا نماذج نظرية عاملة تثبت أن هذه الكفاءات قابلة للتحقيق وليست مجرد احتمالات نظرية.

في نهاية المطاف، توفر هذه الدراسة خارطة طريق واضحة لكيفية تخزين القياسات الكمومية. فهي تظهر أننا لسنا بحاجة لبناء حواسيب كمومية ضخمة بشكل مستحيل للتعلم من الأجهزة الكمومية. بدلاً من ذلك، من خلال استخدام المزيج الصحيح من الذاكرة الكمومية والكلاسيكية، ومن خلال فهم البنية المحددة للقياس، يمكننا تخزين واسترجاع هذه السلوكيات المعقدة بقدر ضئيل جداً من الموارد. وتشير النتائج إلى أن الطريق نحو أجهزة التعلم الكمومي العملية ليس مسدوداً بحاجز ذاكرة لا يمكن تجاوزه، بل بضرورة اختيار استراتيجية التخزين المناسبة للمهمة المحددة. فالنهج المباشر، الذي غالباً ما يتم تجاهله لصالح النماذج النظرية الأكثر تعقيداً، يبرز كحل قوي وعالي الكفاءة لمستقبل معالجة المعلومات الكمومية.