Delta-Corrected Shot Reduction for Bypassing Optimization Plateaus in Variational Quantum Eigensolvers

في سعيها لفهم اللبنات الأساسية للمادة، تتجه العلماء نحو نوع جديد من الحواسيب التي تعمل وفق القواعد الغريبة لميكانيكا الكم. هذه الآلات، التي تمر حالياً بمراحل تطوير مبكرة وصاخبة، تحمل في طياتها الوعد بمحاكاة الجزيئات المعقدة بسرعة ودقة لا تستطيع الحواسيب التقليدية مضاهاتها. وتعد إحدى أهم الأدوات لهذه المهمة هي طريقة تسمى "المحلل الذاتي الكمي المتغير" (variational quantum eigensolver). فكر في هذه الطريقة كجهد تعاوني بين معالج كمي وحاسوب تقليدي؛ حيث يقوم المعالج الكمي بإعداد حالة المادة وقياسها، بينما يقوم الحاسوب التقليدي بتحليل النتائج واقتراح كيفية تعديل الإعداد الكمي للحصول على إجابة أفضل. ويكررون هذه الحلقة، آملين في العثور على أدنى حالة طاقة ممكنة للجزيء، مما يكشف عن شكله الأكثر استقراراً. ومع ذلك، تواجه هذه العملية عقبة هائلة: لكي نحصل على صورة واضحة للطاقة، يجب مطالبة الحاسوب الكمي بإجراء القياس نفسه آلاف أو حتى ملايين المرات. هذا التكرار ضروري لأن عملية قياس نظام كمي هي بطبيعتها عشوائية، ومن خلال متوسط العديد من النتائج فقط يمكن للعلماء رؤية الإشارة الحقيقية. ومع زيادة حجم الجزيئات التي يتم دراستها، ينمو عدد القياسات المطلوبة بشكل كبير لدرجة أنه يصبح العائق الرئيسي، مما يبطئ العملية بأكملها ويجعل عمليات المحاكاة العملية مستحيلة في كثير من الأحيان.

لقد حاول الباحثون حل هذه المشكلة عبر التعامل بذكاء أكبر مع كيفية إنفاق ميزانية القياس الخاصة بهم. فبدلاً من قياس كل جزء من النظام بالتساوي، يقومون بتقدير الأجزاء الأكثر ضجيجاً وتخصيص المزيد من القياسات لها، بينما يقيسون الأجزاء الأكثر هدوءاً بشكل أقل تكراراً. وقد حاولت نهج حديث يُعرف باسم "تقليل عدد الطلبات مع الحفاظ على التباين" (variance-preserved shot reduction) القيام بذلك عبر أخذ مجموعة أولية صغيرة من القياسات لتخمين مستويات الضجيج ثم توسيع نطاق بقية التجربة بناءً على ذلك. ومع ذلك، فإن هذه الطريقة تعاني من خلل خفي؛ فبما أن التخمين الأولي يعتمد على عدد محدود من العينات، فإنه ليس دقيقاً تماماً. وعندما يستخدم الحاسوب هذا التخمين غير المتقن لتقرير عدد القياسات الواجب اتخاذها، يتسلل خطأ طفيف ولكنه منهجي. يتسبب هذا الخطأ في توقف عملية التحسين، مما يترك الحاسوب عالقاً في حلقة لا يستطيع فيها تحسين إجابته، رغم امتلاكه الكثير من الموارد المتبقية. الأمر يشبه ملاحةً تحاول عبور صحراء باستخدام خريطة غير دقيقة قليلاً؛ قد تستمر في السير في دوائر، وهي مقتنعة بأنها تحرز تقدماً، بينما هي في الواقع لا تذهب إلى أي مكان.

ولكسر هذا المأزق، قدم فريق من الفيزيائيين إطار عمل جديداً يسمى "تقليل الطلبات المصحح بفارق دلتا" (delta-corrected shot reduction). وبدلاً من محاولة تخمين مستويات الضجيج بدقة أو الاعتماد على التجربة والخطأ، تستخدم هذه الطة الجديدة تقنية رياضية صارمة لحساب وإزالة الخطأ المحدد الناتج عن القياسات الأولية المحدودة. وقد اشتق الباحثون مجموعة من حدود التصحيح التي تأخذ في الاعتبار التقلبات الإحصائية الدقيقة التي تنشأ عند العمل مع أحجام عينات صغيرة. ومن خلال تطبيق هذه التصحيحات، يمكن للخوارزمية تحديد العدد الأمثل من القياسات لكل جزء من النظام بدقة أكبر بكثير. وفي عملهم، اختبر الفريق هذا النهج على عمليات محاكاة لجزيئات الهيدروجين وهيدريد الليثيوم، مع إدخال مستويات مختلفة من الضجيج لمحاكاة عيوب الأجهزة الكمية الحقيقية. ووجدوا أن الطريقة الجديدة تفوقت باستمرار على الاستراتيجيات الأفضل السابقة. وفي السيناريوهات التي كانت الطريقة القديمة ستتعثر فيها لعشرات التكرارات، استمرت الطريقة المصححة في المضي قدماً بسلاسة، ووصلت إلى الطاقة المستهدفة بشكل أسرع بكثير.

تظهر نتائج هذه المحاكاة أن النهج الجديد لا يسرع فقط من التقارب نحو الإجابة الصحيحة، بل يوفر أيضاً عدداً كبيراً من القياسات. فعلى سبيل المثال، في اختبار واحد مع كمية متوسطة من البيانات، وصلت نسخة التصحيح من الدرجة الرابعة من الطريقة الجديدة إلى الدقة المنشودة باستخدام 12,965 قياساً أقل من الطريقة غير المصححة. وفي الظروف الأكثر صعوبة مع محدودية شديدة في البيانات، كان التحسن أكثر دراماتيكية، حيث تجاوزت الطريقة المصححة فترات الركود الطويلة التي حاصرت الخوارزميات القديمة. كما اكتشف الباحثون أنه بينما يساعد إضافة المزيد من طبقات التصحيح بشكل عام، إلا أن هناك حداً لذلك؛ فإذا كان العدد الأولي من القياسات صغيراً جداً، يمكن للتصحيحات الأكثر تعقيداً أن تضاعف الضجيج بدلاً من تقليله. في هذه الحالات القصوى، ثبت أن التصحيح الأبسط من الدرجة الثالثة هو الخيار الأكثر متانة وموثوقية. ويشير هذا الاكتشاف إلى أن الاستراتيجية المثلى تعتمد على القيود المحددة للتجربة، لكن المبدأ الأساسي يظل كما هو: من خلال إزالة الانحياز الناتج عن البيانات المحدودة رياضياً، تصبح عملية التحسين مستقرة وفعالة.

يضع هذا العمل معياراً جديداً لكيفية إدارة الحواسيب الكمية لموارد القياس الخاصة بها. فهو يثبت أن عدم الاستقرار الذي غالباً ما يُعزى إلى ضجيج الأجهزة هو في كثير من الأحيان ناتج عن القيود الإحصائية لاستراتيجية القياس نفسها. ومن خلال تصحيح هذه القيود تحليلياً، أنشأ الباحثون إطار عمل يتسم بالدقة الرياضية والفعالية العملية. ولا تتطلب هذه الطة بيانات إضافية أو تدريباً معقداً؛ فهي ببساطة تعمل على صقل كيفية استخدام البيانات الموجودة. وهذا يجعلها أداة قوية للجيل الحالي من الحواسيب الكمية، والتي رغم قوتها، لا تزال مقيدة بالحجم الهائل من القياسات التي تحتاج إلى أدائها. ومع استمرار تطور هذه الآلات، سيكون امتلاك وسيلة موثوقة لتخصيص موارد القياس أمراً ضرورياً لإطلاق العنان للإمكانات الكاملة للمحاكاة الكمية، مما يسمح للعلماء باستكشاف كيمياء الحياة والمواد بوضوح كان بعيد المنال في السابق.