Inferring the Number of Quantum State Transfers with Neural Networks

في البنية الهندسية الشاسعة والصامتة لإنترنت كمي مستقبلي، لا تنتقل المعلومات عبر الأسلاك أو الألياف الضوئية، بل عبر الروابط الدقيقة وغير المرئية للجسيمات الكمية. إحدى الطرق الواعدة لنقل هذه المعلومات هي استخدام سلسلة من المغناطيسات الصغيرة، تسمى "السبينات" (spins)، مرتبة في خط. تخيل صفاً من قطع الدومينو حيث يؤدي قلب القطعة الأولى إلى إرسال موجة من الحركة على طول الخط، حاملةً رسالة إلى الطرف الآخر. في عالم مثالي، سيقوم العلماء بإعادة ضبط السلسة بأكملها إلى وضع البداية بعد كل رسالة واحدة، لضمان مساحة نظيفة للارسال التالي. ومع ذلك، في الواقع الفوضوي للتجارب الفيزيائية، تكون عملية إعادة الضبط بطيئة وصعبة. فإذا استُخدمت السلسة مراراً وتكراراً دون مسحها، فإن الأصداء الخافتة للرسائل السابقة ستظل باقية، عالقة في الوسط ومتداخلة مع الإرسالات الجديدة. يُعرف هذا التأثير المتبقي باسم "الذاكرة". لسنوات، كان يُنظر إلى هذه الذاكرة حصرياً كعائق، ومصدر للضجيج الذي يقلل من جودة الإشارة. لكن خط بحث جديد يتساءل سؤالاً مختلفاً: إذا كانت القناة تتذكر ماضيها، فهل تترك هذه الذاكرة بصمة على البيانات نفسها؟ هل يمكن قراءة تاريخ عدد المرات التي استُخدمت فيها السلسلة مباشرة من الرسالة الواصلة، حتى لو لم يكن لدى المستلم أي وسيلة أخرى لمعرفة العدد؟

لقد شرع فريق من الباحثين في جامعة مالطا في الإجابة على هذا السؤال، معتبرين المشكلة ليس لغزاً فيزيائياً يُحل بالمعادلات، بل تحدياً للتعرف على الأنماط بواسطة الحاسوب. ركزوا على نوع محدد من السلاسل الكمية المصممة لنقل المعلومات بدقة تامة في لحظة زمنية محددة. في محاكاتهم، استخدموا هذه السلسلة بشكل متكرر، حتى خمس مرات متتالية، دون إعادة ضبطها بين الاستخدامات. ولمحاكاة العيوب في العالم الحقيقي، أدخلوا خطأً ثابتاً وصغيراً في توقيت التحقق من النتيجة، مما ضمن عدم قراءة السلسلة أبداً في اللحظة المثالية تماماً. لكل استخدام من هذه الاستخدامات الخمسة، أرسلوا حالة كمية عشوائية إلى السلسلة وسجلوا الحالة التي خرجت منها. كانت المهمة الجوهرية بسيطة وعميقة في آن واحد: بالنظر فقط إلى الحالة المدخلة والحالة المخرجة، هل يمكن لخوارزمية تعلم الآلة تحديد أي استخدام هو؟ هل كان هذا هو الاستخدام الأول للسلسلة، أم الخامس؟

قام الباحثون بتدريب نوع بسيط من الذكاء الاصطناعي، يُعرف بالشبكة العصبية الأمامية (feed-forward neural network)، لحل هذه المعضلة. قاموا بتغذية الحاسوب بآلاف الأمثلة، يتكون كل منها من وصف الحالة المرسلة والحالة المستلمة، جنباً إلى جنب مع الإجابة الصحيحة حول أي استخدام هو. كان على الحاسوب أن يتعلم الاختلافات الدقيقة في كيفية سلوك السلسلة في الاستخدام الأول مقابل الثاني، والثالث، والرابع، والخامس. كانت النتائج مذهلة؛ فقد تعلمت الشبكة تحديد عدد الاستخدامات الصحيح بدقة تتجاوز تسعين بالمائة. وهذا يعني أنه من خلال النظر إلى بيانات عملية إرسال واحدة، يمكن للنظام معرفة تاريخ القناة بموثوقية عالية، مما يسمح فعلياً بقراءة ذاكرة الآلة دون لمسها أو إيقاف تشغيلها.

اكتشف الفريق أن الطريقة التي يصفون بها البيانات للحاسوب كانت مهمة للغاية. يمكن وصف الحالات الكمية بعدة طرق، وقد اختبر الباحثون طريقتين مختلفتين. استخدمت الطريقة الأولى وصفاً كاملاً ومفصلاً للحالة، بما في ذلك جميع مكوناتها الاتجاهية. أما الطريقة الثانية، فقد استخدمت وصفاً مبسطاً يستفيد من تناظر محدد في فيزياء السلسلة، حيث جردت المعلومات غير الضرية للمهمة. أثبت هذا النهج المبسط أنه أكثر كفاءة بكثير؛ فلم يرفع الدقة إلى حوالي خمسة وتسعين بالمائة فحسب، بل تطلب أيضاً كمية أقل بكثير من بيانات التدريب للوصول إلى هذا المستوى. في الواقع، احتاجت الطريقة المبسطة إلى أمثلة أقل بما يتراوح بين أربعة إلى سبعة أضعاف لتحقيق نفس مستوى الأداء مقارنة بالوصف الكامل. يشير هذا إلى أنه من خلال فهم الفيزياء الكامنة، يمكن للعلماء تعليم الآلات التعلم بشكل أسرع وأكثر فعالية، عبر تجاهل الضجيج والتركيز على الإشارة التي تهم حقاً.

كما كشفت الدراسة أيضاً كيف تؤثر كمية البيانات على عملية التعلم. وجد الباحثون أن دقة النظام تعتمد على إجمالي عدد الأمثلة المقدمة، ولكن لم يهم ما إذا كانت تلك الأمثلة تأتي من حالات مدخلة مختلفة أو من أخطاء توقيت مختلفة؛ فالعاملان متساويان في الأهمية، وما يهم هو حاصل ضربهما. يقدم هذا الاكتشاف دليلاً عملياً للتجارب المستقبلية: لبناء نظام موثوق، لا يحتاج المرء إلى الهوس بأخذ عينات من كل خطأ توقيت ممكن أو كل حالة ممكنة، طالما أن الحجم الإجمالي للبيانات كافٍ. علاوة على ذلك، أظهر النظام قدرة رائعة على التعميم؛ فقد تمكن من تحديد رقم الاستخدام بشكل صحيح حتى لأخطاء التوقيت التي لم يسبق له رؤيتها أثناء التدريب، مما يشير إلى أنه تعلم الطبيعة المستمرة والناعمة للعملية الفيزيائية بدلاً من مجرد حفظ نقاط محددة.

وعندما كان النظام يرتكب أخطاءً، لم تكن نادراً ما تكون تخمينات عشوائية جامحة. حلل الباحثون الأخطاء ووجدوا أنه عندما يخطئ الحاسوب، فإنه عادة ما يخمن رقماً قريباً جداً من الحقيقة. على سبيل المثال، إذا كانت السلسلة في استخدامها الرابع، فمن المرجح أن يخمن النظام أنها في الاستخدام الثالث أو الخامس، بدلاً من الأول. يشير هذا إلى أن النظام فهم ترتيب الأحداث، حتى لو لم يكن دقيقاً تماماً. أما الأخطاء القليلة التي كانت عبارة عن قفزات كبيرة — مثل تخمين الاستخدام الأول بينما هو في الواقع الخامس — فقد حدثت دائماً تقريباً عندما كان خطأ التوقيت صغيراً للغاية، قريباً من اللحظة المثالية. في هذه المنطقة المحددة، تكون ذاكرة السلسلة باهتة جداً بحيث تصبح الفروقات بين الاستخدامات ضئيلة، مما يجعل تمييزها شبه مستحيل. وهذا يؤكد أن النظام لا يتخيل أنماطاً، بل يستجيب فعلياً للحدود الفيزيائية لتأثير الذاكرة.

في الختام، يوضح هذا العمل أن ذاكرة القناة الكمية، التي غالباً ما تُعتبر عيباً، هي في الواقع مصدر غني للمعلومات. فهي تترك سجلاً لتاريخ القناة في سلوك المدخلات والمخرجات. ومن خلال استخدام أدوات التعلم الحديثة، يمكن استخراج هذا السجل من بيانات الإرسال وحدها، دون الحاجة إلى فحص الوسيط أو مقاطعة الاتصال. قد تكون هذه القدرة حيوية للإدارة المستقبلية للشبكات الكمية، مما يسمح للمهندسين بمعايرة الأجهزة، ومراقبة الانحراف، وتتبع الموارد ببساً عبر "الاستماع" إلى البيانات أثناء تدفقها. تظهر الدراسة أنه حتى في الأنظمة التي تتدهور فيها المعلومات بسبب الاستخدام المتكرر، فإن تاريخ ذلك التدهور لا يضيع؛ بل يتم ترميزه في الإشارة، بانتظار من يقرأه من المراقبين المناسبين.