← أحدث الأبحاث
⚛️ الفيزياء الكمومية

GENIE: learned quantum circuits as embedding impurity solvers, and why compactness, not correlation strength, decides when they work

تقدم هذه الورقة GENIE، وهو محلل شوائب لـ DMET يستخدم محولاً توليدياً (generative transformer) لتعلم دوائر أخذ العينات الكمومية، موضحاً أنه بينما يتفوق على الدوائر الثابتة ويقترب من دقة الاختيار الكلاسيكي، فإن نجاحه يتحدد بمدى تماسك الدالة الموجية بدلاً من قوة الارتباط، ويتطلب حالياً أجهزة مقاومة للأخطاء (fault-tolerant hardware) لمنافسة الطرق الكلاسيكية.

المؤلفون الأصليون: Awadhoot Vijay Loharkar, Arcesio Castañeda Medina

نُشر 2026-11-02
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Awadhoot Vijay Loharkar, Arcesio Castañeda Medina

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في سعيها لفهم كيفية ترابط الذرات لتكوين الجزيئات، غالبًا ما يواجه العلماء مشكلة تتعلق بضخامة الحجم. للتنبؤ بسلوك جزيء ما، يجب حل المعادلات التي تحكم إلكتروناته. بالنسبة للأنظمة البسيطة، يكون هذا أمرًا مباشرًا، ولكن مع نمو الجزيئات أو تمدد روابطها، ينفجر عدد ترتيبات الإلكترونات الممكنة إلى التريليونات. تعاني الحواسيب التقليدية من هذه التعقيدات، وغالبًا ما تُجبر على الاختيار بين حساب جزء صغير من الجزيء بدقة مثالية أو حساب الجزيء بأكمعه باقتراحات تقريبية خشنة. وتوفر الحواسيب الكمومية مخرجًا محتملاً؛ فبدلاً من حساب كل الاحتمالات، يمكن برمجتها لاقتراح حفنة من الترتيبات الأكثر أهمية، والتي يقوم الحاسوب الكلاسيكي بعد ذلك بتحليلها لإيجاد طاقة الجزيء. هذا النهج، المعروف باسم "القطرية الكمومية القائمة على العينات"، يعتمد على دائرة كمومية تعمل كمرشح، حيث تختار التكوينات ذات الصلة من بين بحر واسع من الاحتمالات. ومع ذلك، لسنوات طويلة، كانت هذه المرشحات ثابتة، مبنية بقواعد محددة غالبًا ما تفشل في رصد الترتيبات الأكثر حسمًا، مما ترك الباحثين غير متأكدين مما إذا كان الحاسوب الكمومي يختار المعلومات الصحيحة حقًا أم أنه يملأ المساحة بتخمينات عشوائية فقط.

قدم فريق في معهد فراونهوفر للرياضيات الصناعية طريقة جديدة تسمى GENIE لحل مشكلة الاختيار هذه. فبدلاً من استخدام مرشح ثابت ومبني مسبقًا، قاموا بتدريب نموذج ذكاء اصطناعي توليدي ليتعلم كيفية بناء دائرته الكمومية الخاصة. يعمل هذا النموذج مثل طالب يتدرب على اقتراح ترتيبات الإلكترونات، ويتحقق من مدى مطابقة اقتراحاته للطاقة الحقيقية للجزيء، ثم يعدل استراتيجيته ليصبح أفضل في المرة القادمة. اختبر الباحثون هذا النظام على جزيئات النيتروجين وسلاسل من ذرات الهيدروجين، وقارنوا أداء الذكاء الاصطناعي بأفضل الطرق الكلاسيكية الموجودة وبالدوائر الكمومية الثابتة. ووجدوا أن الذكاء الاصطناعي يمكنه بالفعل التعلم كيف ينتقي ترتيبات الإلكترونات الأكثر أهمية، وغالبًا ما يضاهي دقة الخوارمازميات الكلاسيكية رفيعة المستوى عند إعطائه نفس عدد الخيارات. ومع ذلك، كشفت الدراسة أيضًا عن حد قاطع: يعتمد نجاح الذكاء الاصطناعي كليًا على مدى "تراص" (compactness) حالة الجزيء. فإذا كان الجزيء يتطلب عددًا هائلًا من الترتيبات المختلفة لوصفه بدقة، فإن الذكاء الاصطناعي يفشل في العثور عليها، بغض النظر عن مقدار التدريب الذي خضع له.

جوهر نظام GENIE هو "المحول التوليدي" (generative transformer)، وهو نوع من نماذج تعلم الآلة المستخدم عادةً في اللغات، والذي تم تطويعه هنا لتصميم الدوائر الكمومية. في النهج الكمومي القياسي، قد تقوم دائرة ثابتة بأخذ عينات من مليون تكوين عشوائي، آملة في التعثر في التكوينات الصحيحة. في المقابل، يتعلم GENIE اقتراح تسلسل محدد من العمليات يستهدف التكوينات الأكثر أهمية. اختبر الباحثون ذلك على جزيئات النيتروجين الممددة لأطوال مختلفة وعلى سلاسل الهيدروجين. وعندما كانت الميزانية محدودة بـ 200 ترتيب إلكتروني فقط — وهو جزء ضئيل من الاحتمالات الإجمالية — كانت المجموعة التي اختارها الذكاء الاصطناعي دقيقة تقريبًا مثل أفضل طرق الاختيار الكلاسيكية، ومتفوقة بمراحل على الدوائر الثابتة التي تكتفي بأخذ عينات عشوائية. وفي الواقع، كانت الدوائر الثابتة أقل دقة بمئات المرات لأنها فشلت في الوصول إلى الترتيبات المحددة والهامة اللازمة لوصف طاقة الجزيء.

رغم هذا النجاح، يستبعد البحث صراحةً فكرة أن هذه الطالة هي حل عالمي يتفوق على جميع الحواسيب الكلاسيكية. فقد اكتشف الباحثون أن أداء الذكاء الاصطناعي لا يتحدد بمدى قوة ارتباط الإلكترونات، وهو مقياس شائع للصعوبة في الكيمياء، بل بعدد الترتيبات المتميزة المطلوبة لوصف الحالة. فعندما ينمو عدد الترتيبات الضرورية بشكل كبير مقارنة بحد ذاكرة الحاسوب، يفشل الذكاء الاصطناعي. على سبيل المثال، في سلسلة هيدروجين ممددة، أخطأ الذكاء الاصطناعي الهدف بفارق كبير لأن الحالة كانت "منتشرة" للغاية بحيث لا يستطيع الدائرة الوصول إليها. في هذه الحالات، لم يفشل الذكاء الاصطناعي لأنه ليس ذكيًا بما يكفي، بل لأن المشكلة نفسها كانت أكبر من أن يتعامل معها هذا الأسلوب. وقد أظهرت الدراسة أن تقديرًا بسيطًا يعتمد على الحسابات الكيميائية القياسية يمكن أن يتنبأ بهذه الإخفاقات مسبقًا، ليعمل بمثابة "موجه" يخبر الباحثين متى يستخدمون طريقة الذكاء الاصطناعي هذه ومتى ينتقلون إلى استراتيجية أخرى.

كما سلط العمل الضوء على فخين هامين في كيفية الإبلاغ عن مثل هذه الأبحاث. أولاً، إن اختيار الأساس الرياضي (mathematical basis) المستخدم لوصف المدارات يمكن أن يجعل الطريقة تبدو جيدة أو سيئة بشكل مصطنع؛ حيث أظهر الباحثون أن استخدام الأساس الخاطئ يمكن أن يخلق وهمًا بالتفوق بفارق عدة مراتب عشرية. ثانيًا، يمكن أن تتباين نتائج العينات الكمومية بشكل كبير اعتمادًا على نقطة البداية العشوائية، أو "البذرة" (seed)، للمحاكاة. فقد تبدو عملية واحدة ناجثة وكأنها اختراق علمي، بينما تفشل عمليات أخرى لنفس النظام. ويصر المؤلفون على أنه للحصول على صورة حقيقية، يجب الإبلاغ عن نتائج العديد من البذور ومقارنتها بأفضل الطرق الكلاسيكية عند نفس عدد الترتيبات المختارة بالضبط، بدلًا من المقارنة بالحد النظري للجهاز الكمومي.

من حيث التطبيق العملي، تشير الدراسة إلى أنه بينما يعد GENIE أداة قوية لمشكلات محددة ومتراصة، إلا أنه ليس جاهزًا بعد لاستبدال الطرق الكلاسيكية في جميع المحاكيات الكيميائية. فالدوائر المطلوبة ليعمل الذكاء الاصطناعي بفعالية هي حاليًا شديدة العمق والتعقيد بالنسبة للأجهزة الكمومية الحالية التي تعاني من الضجيج. فإذا تم تشغيلها على الأجهزة الحالية، فإن الضجيج سيؤدي إلى تشويه النتائج، مما يتسبب في جعل النظام يملأ المساحة ببيانات عشوائية بدلاً من اختيار التكوينات الصحيحة. لذا، يُنظر إلى هذه الطريقة كمسار نحو الحواسيب الكمومية الأولى ذات القدرة على تصحيح الأخطاء (fault-tolerant)، حيث سيسمح تصحيح الخطأ لهذه الدوائر العميقة والمتعلمة بالعمل. وفي الوقت الحالي، فإن أهم ما يمكن استخلاصه هو تحديد حدود واضحة: أساليب الاختيار الكمومي تعمل جيدًا عندما تكون الحالة "متراصة"، لكنها تعاني عندما تكون الحالة "منتشرة"، وهو تمييز يمكن التنبؤ به قبل تشغيل أي حاسوب كمومي حتى.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚛️ quant-ph →