⚛️ الفيزياء الكمومية

Analog quantum approximate optimization algorithm for solving the weighted MaxCut problem on three-dimensional single-atom Rydberg array

تُثبت هذه الورقة نظرياً أن خوارزمية تقريب أمثلية كمومية تناظرية، يتم تنفيذها على مصفوفة ذرات ريدبرج ثلاثية الأبعاد باستخدام استراتيجية تحسين مشتركة من التلدين الكمومي المنفصل والبدء الدافئ لشبكة عصبية رسومية، يمكنها التفوق على خوارزمية "غومانز-ويليامسون" الكلاسيكية في حل مشكلات "القطع الأقصى" (MaxCut) الموزونة حتى في ظل نماذج الخطأ الواقعية.

المؤلف الأصلي: Junxi Chen, I. I. Beterov

نُشر 2026-11-11

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلف الأصلي: Junxi Chen, I. I. Beterov

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

في عالم الحوسبة، هناك مشكلات تُعرف بصعوبتها البالغة؛ فهي تنتمي إلى فئة تُعرف باسم (NP-hard)، حيث يصبح العثور على الإجابة المثالية أصعب بشكل أسي مع نمو حجم المشكلة، مما قد يستغرق وقتاً أطول من عمر الكون حتى بالنسبة لأقوى الحواسيب الفائقة. إحدى هذه الألغاز هي مسألة "القطع الأقصى الموزون" (weighted maximum cut). تخيل شبكة من النقاط المتصلة بخطوط، حيث لكل خط قيمة محددة. الهدف هو تقسيم النقاط إلى مجموعتين بحيث تكون القيمة الإجمالية للخطوط التي تربط بين المجموعتين هي الأعلى قدر الإمكان. هذه المهمة ليست مجرد فضول رياضي؛ بل هي ركيزة أساسية لتحديات واقعية مثل تصميم شرائح الكمبيوتر الفعالة، وتنظيم تجمعات البيانات، وتخطيط البنية التحتية للشبكات. ولأن العثور على الحل المثالي صعب للغاية، يعتمد العلماء على طرق مختصرة ذكية تُسمى خوارزميات التقريب. ولعقود من الزمن، ظل أسلوب كلاسيكي طوره "جويمانز وويليامسون" هو المعيار الذهبي، حيث يضمن حلاً لا يقل عن 8{87.8} في المائة من جودة الإجابة المثالية.

مؤخراً، ظهر مجال جديد يأمل في معالجة هذه المشكلات الصعبة باستخدام القوانين الغريبة لميكانيكا الكم. فبدلاً من استخدام البتات القياسية التي تكون إما صفراً أو واحداً، تستخدم الحواسيب الكمومية "الكيوبتات" (qubits)، والتي يمكن أن توجد في مزيج من الحالات في آن واحد. أحد الأساليب الواعدة هو "خوارزمية التحسين التقريبي الكمومي" (QAOA). وبينما تحاول الحواسيب الكمومية التقليدية غالباً حل المشكلات عبر ربط سلسلة طويلة من البوابات المنطقية الدقيقة، فإن نسخة "تناظرية" أحدث تسمح للنظام الكمومي بالتطور بشكل طبيعي تحت تأثير نبضات الليزر. يستكشف هذا البحث نسخة متقدمة ومحددة من هذا النهج التناظري باستخدام شبكة ثلاثية الأبعاد من الذرات الفردية المحتجزة في فراغ. يتم استثارة هذه الذرات إلى حالة طاقة عالية تُعرف باسم "حالة ريدبرج" (Rydberg state)، حيث تتفاعل بقوة مع بعضها البعض. أراد الباحثون معرفة ما إذا كان هذا الإعداد الفيزيائي يمكنه حل مسألة القطع الأقصى الموزون بشكل أفضل من الطرق الكلاسيكية الأفضل، وإذا كان بإمكانهم جعل ذلك يعمل بشكل موثوق رغم الضجيج والأخطاء المتأصلة في الأجهزة الكمومية الواقعية.

بدأ الباحثون بتصميم محاكاة باستخدام عشرين شبكة عشوائية مختلفة، تحتوي كل منها على اثنتي عشرة نقطة. قاموا بتمثيل هذه الشبكات على شبكة فيزيائية من الذرات، مرتبين الذرات في فضاء ثلاثي الأبعاد بحيث تحدد المسافة بين أي ذرتين قوة تفاعلهما. ومن خلال وضع الذرات بعناية، قاموا بتشفير القيم المحددة للمشكلة مباشرة في القوى الفيزيائية بين الجسيمات. فإذا كانت نقطتان في المشكلة تحتاجان إلى اتصال قوي، يتم وضع الذرات المقابلة لهما قريبتين من بعضهما؛ وإذا كانتا تحتاجان إلى اتصال ضعيف، يتم وضعهما بعيداً عن بعضهما. سمحت هذه الطريقة بحل المشكلة دون الحاجة إلى ذرات "مساعدة" إضافية أو حيل معقدة، بالاعتماد بدلاً من ذلك على الفيزياء الطبيعية للنظام. ثم مرروا النظام الكمومي عبر سلسلة من نبضات الليزر، واختبروا استراتيجيتين مختلفتين لتوجيه النظام نحو الحل الأفضل.

الاستراتيجية الأولى، المعروفة باسم "البداية الباردة" (cold start)، بدأت بجميع الذرات في حالة محايدة وتركت النظام يتطور عبر سلسلة من الخطوات. اكتشف الباحثون أن المسار الذي يسلكه النظام أمر بالغ الأهمية. فإذا تركو الكمبيوتر يقوم بالتحسين واختيار أفضل الإعدادات طبقة تلو الأخرى دون توجيه، فإن النظام سيستقر في مسار يبدو جيداً في البداية ولكنه يفشل في التحسن مع استمرار العملية. أدى هذا المسار إلى حل بلغ حوالي 77 في المائة فقط من الإجابة المثالية. ومع ذلك، من خلال إضافة قيد فيزيائي بسيط — وهو تحديد مدة بقاء أجزاء معينة من نبضة الليزر — أجبروهم على اتخاذ مسار مختلف. هذا المسار الجديد تصرف مثل عملية تبريد بطيئة وحذرة، تُعرف باسم "التلدين" (annealing). وفي هذا المسار، استمرت جودة الحل في التحسن مع إضافة المزيد من الطبقات، لتصل في النهاية إلى درجة 95.9 في المائة، متجاوزة المعيار الذهبي الكلاسيكي في معظم حالات الاختبار الخاصة بهم.

أما الاستراتيجية الثانية، المسماة "البداية الدافئة" (warm start)، فقد حاولت منح النظام الكمومي دفعة أولية. قبل بدء نبضات الليزر، استخدم الباحثون برنامجاً حاسوبياً كلاسيكياً، وتحديداً نوعاً من الذكاء الاصطناعي يُسمى "الشبكة العصبية الرسومية" (graph neural network)، لتخمين ترتيب أولي جيد. ثم قاموا بتجهيز الذرات في حالة تطابق هذا التخمين. نجح هذا النهج بشكل جيد جداً، ولكن فقط إذا كان التخمين الأولي صحيحاً. فعندما يكون تخمين الشبكة صحيحاً، يقوم النظام الكمومي بتنقيحه ليصبح حلاً يقترب من المثالية بسرعة كبيرة. ومع ذلك، عندما يكون تخمين الشبكة خاطئاً، يميل النظام الكمومي إلى الاستقرار بالقرب من تلك الإجابة الخاطئة، عاجزاً عن إيجاد الحل الأفضل الحقيقي. كشف هذا عن رؤية جوهرية: لقد فشلت الاستراتيجيتان في مواقف مختلفة. فأسلوب "البداية الباردة" عانى عندما كان الترتيب الفيزيائي للذرات غير مثالي، بينما عانى أسلوب "البداية الدافئة" عندما كان التخمين الأولي من الذكاء الاصطناعي سيئاً.

وللحصول على أفضل ما في العالمين، دمج الباحثون النهجين في "محفظة" واحدة. فلكل مشكلة، قاموا بتشغيل نسختي "البداية الباردة" و"البداية الدافئة" واختاروا ببساطة النتيجة الأفضل. تفوقت هذه الاستراتيجية المدمجة على المعيار الذهبي الكلاسيكي في تسعة عشر حالة من أصل عشرين في محاكاة مثالية خالية من الضجيج. ومع ذلك، عند اختبارها مقابل نموذج خطأ واقعي يعتمد على معالج كمومي موجود يُسمى "أكيولا" (Aquila)، تغيرت النتائج. في هذه البيئة المليئة بالضجيج، اختفت ميزة تشغيل تسلسل طويل ومعقد؛ إذ أصبح المسار العميق القائم على "التلدين"، والذي حقق أداءً عالياً في المحاكاة، هشاً للغاية، ولم يتمكن النظام من الحفاظ على جودته مع زيادة طول التسلسل. وكان أفضل أداء في ظل هذه الظروف المليئة بالضجيج يأتي من نهج "البداية الدافئة" القصير، الذي يتطلب خطوات قليلة ونبضة ليزر وجيزة جداً. ومع ذلك، حتى هذا الإصدار القصير لم يتفوق على المعيار الذهبي الكلاسيكي في المحاكاة المليئة بالضجيج؛ حيث قدم قطعاً مثالياً في 16% فقط من المحاولات، وهو أقل من نصف عدد المرات التي يحققها أسلوب "تقريب جويمانز-ويليامسون" (Goemans–Williamson rounding) المنفرد.

تخلص الدراسة إلى أنه بينما يحمل النهج الكمومي التناظري وعوداً كبيرة للتفوق على الخوارزميات الكلاسيكية، فإن الطريق لتحقيق هذه الإمكانات ليس مباشراً. فالتسلسلات العميقة الشبيهة بـ "التلدين"، والتي تقدم أعلى أداء نظري، هي حالياً حساسة للغاية للأخطاء الموجودة في الأجهزة الحالية. ويبدو أن الاستراتيجية الأكثر فعالية في الوقت الحالي هي استراتيجية هجينة: استخدام تخمينات أولية ذكية وقصيرة لتوجيه النظام، أو تشغيل استراتيجيات متعددة بالتوازي واختيار الفائز. وجد الباحثون أنه لجعل التسلسلات العميقة عالية الأداء قابلة للتطبيق، يجب تقليل معدلات الخطأ في المعالجات الكمومية بنحو عشرة أضعاف تقريباً. وحتى ذلك الحين، فإن الطريقة الأكثر عملية لاستخدام هذه الآلات هي الجمع بين طرق مختلفة، والاستفادة من سرعة التسلسلات القصيرة وقوة الاستراتيجيات المتعددة للتنقل في المشهد المعقد للمشكلات الصعبة.

ملخص تقني: خوارزمية التقريب الكمي التقريبية التناظرية لـ MaxCut الموزون على مصفوفات ريدبرج ثلاثية الأبعاد

بيان المشكلة
يتناول هذا العمل مسألة القطع الأقصى الموزون (Weighted MaxCut)، وهي مسألة تحسين توافقية أساسية من فئة NP-hard ذات تطبيقات في تصميم VLSI، وتجميع البيانات، والبنية التحتية للشبكات. تتضمن المسألة تقسيم رؤوس الرسم البياني $G=(V, E, w)$ إلى مجموعتين منفصلتين لتعظيم إجمالي وزن الحواف التي تربط بين المجموعتين. يركز المؤلفون على حل هذه المسألة باستخدام تنفيذ تناظري لخوارزمية التقريب الكمي التقريبية (QAOA) على مصفوفة ثلاثية الأبعاد (3D) من ذرات ريدبرج المحتجزة بشكل فردي. وخلافاً للمنهجيات السابقة التي تعتمد غالباً على الشبكات المستوية أو إنشاءات "الأدوات المساعدة" (gadgets) لدمج الرسوم البيانية التعسفية، تستخدم هذه الدراسة الهندسة الطبيعية للمصفوفة الذرية ثلاثية الأبعاد لترميز أوزان الحواف مباشرة.

المنهجية
يستخدم البروتوكول المقترح مصفوفة ثلاثية الأبعاد مكونة من $N=12$ من ذرات $^{87}$ Rb فائقة البرودة، المثارة إلى حالات ريدبرج ( $|70S_{1/2}\rangle$ ). يخضع النظام لهاملتوني (Hamiltonian) حيث توفر تفاعلات فان دير فالس ( $V_{ij} \propto 1/r_{ij}^6$ ) اقترانات إيزينغ (Ising) ثنائية القطب قابلة للبرمجة.

تضمين الرسم البياني: يقوم المؤلفون بخرائط مسألة MaxCut الموزونة مباشرة على النظام الفيزيائي. يتم ترميز أوزان الحواف $w_{ij}$ عبر وضع الذرات عند مسافات محددة $r_{ij}$ بحيث يتوافق طاقة التفاعل $V_{ij}/4$ مع الوزن المطلوب. الذرات غير المتجاورة تتفاعل أيضاً، ولكن يتم التعامل مع هذه الاقترانات "غير الحافية" كجزء من ديناميكيات النظام بدلاً من التخلص منها.
الهاملتوني وتسلسل النبضات: يتطور النظام تحت هاملتوني يعتمد على الزمن $H(t) = \sum_i \frac{\Omega_i(t)}{2}(e^{i\phi}|g\rangle\langle r| + h.c.) - \sum_i \Delta_i(t) n_i + \sum_{i<j} V_{ij} n_i n_j$ $H (t) = \sum_{i} \frac{Ω _{i} ( t )}{2} (e^{i ϕ} ∣ g ⟩ ⟨ r ∣ + h . c .) - \sum_{i} Δ_{i} (t) n_{i} + \sum_{i < j} V_{ij} n_{i} n_{j}$ .
- التحضير: نبضة عالمية تحضر حالة ابتدائية (إما $|+\rangle^{\otimes N}$ للبدء البارد أو حالة ضرب محددة للبدء الدافئ).
- قطاعات التكلفة: فترات يكون فيها الدافع (drive) متوقفاً ( $\Omega=0$ )، ويتطور تحت هاملتوني التكلفة $H_C$ (نموذج إيزينغ مع انزياحات موقعية تعتمد على الموقع $\Delta_i$ تُستخدم لإلغاء الحدود أحادية الموقع الناشئة عن تفاعل فان دير فالس).
- قطاعات الخلاط (Mixer): فترات تكون فيها الدوافع العالمية أو المحددة للموقع نشطة، مما يوفر مكون المجال المستعرض.
استراتيجيات التحسين: تقارن الدراسة بين نهجين لتحسين بارامترات النبض (المدد $\gamma_k$ $γ_{k}$ و $\beta_k$ $β_{k}$ ):
- البدء البارد (Cold Start): التهيئة من حالة التراكب الموحد $|+\rangle^{\otimes N}$ .
- البدء الدافئ (Warm Start): التهيئة باستخدام حالة ضرب مشتقة من شبكة عصبية رسومية (GNN) تتنبأ بالهوامش الرأسية. يتطلب هذا ترددات رابي محددة للموقع وإزاحات انزياح محددة لضمان أن الحالة الابتدائية هي حالة ذاتية للخلاط.
المحاكاة والتحقق: يحاكي المؤلفون النظام باستخدام طريقة انتشار كريلوف (Krylov propagation) بطريقة أرنولدي (Arnoldi) ومحلل مسار كمي لمحاكاة معالج الذرات المتعادلة "Aquila". يتضمن نموذج الخطأ هذا ضوضاء الليزر شبه الساكنة، وتقلبات موقع الذرة، وفقدان الطور، والتحلل التلقائي، وأخطاء الكشف.

النتائج الرئيسية
قيمت الدراسة عشرين رسماً بيانياً تم توليدها عشوائياً من نوع 3-regular مع 12 رأساً.

مشاهد التحسين (Optimization Landscapes): يحدد المؤلفون فرعين متميزين في مشهد التحسين. غالباً ما يقع المحسن القياسي الذي يعمل طبقة تلو الأخرى في "فرع غير أديباتي" (Basin B)، حيث تتشبع نسبة التقريب ( $R_a$ ) عند حوالي 0.77. من خلال فرض قيد فيزيائي يحد من مدد قطاعات التكلفة ( $\gamma_k \leq 1 \mu s$ )، يتم توجيه المحسن إلى "فرع أديباتي" (Basin A). في هذا الفرع، تزدัง $R_a$ بشكل رتيب مع العمق، لتصل إلى $0.959 $عند$ p=20$.
المقارنة مع الخوارزميات الكلاسيكية:
- في النظام الخالي من الضجيج، يتفوق فرع التلدين المحسن ( $p \geq 16$ ) على خوارزمية تقريب "جويمان-ويليامسون" (GW) من حيث قيمة القطع المتوقعة لمعظم الحالات.
- ومع ذلك، فإن بروتوكول البدء الدافئ القائم على GNN لا يمكن تمييزه إحصائياً عن GW (على سبيل المثال، عند $p=10$ ، الفرق المتوسط هو $-0.006 $مع$ P=0.76$).
- استراتيجية المحفظة (Portfolio Strategy)، التي تختار النتيجة الأفضل بين فرع التلدين للبدء البارد وبروتوكول البدء الدافئ لكل حالة، تحقق متوسط $R_a$ يبلغ $0.966 $، متفوقة على GW في 19 من أصل 20 حالة. ومع ذلك، فإن الفرق المتوسط للمحفظة بالنسبة لـ GW ليس ذا دلالة إحصائية ($ P=0.45$)، والمحفظة ليست أفضل بشكل ملحوظ من تقريب GNN نفسه. يعمل تقريب GNN كمرجع كلاسيكي قوي، وغالباً ما يتفوق على البروتوكولات الكمية في القيم المتوقعة، خاصة في الحالات التي يكون فيها تخمين الشبكة مثالياً.
- البدء الدافئ لـ GNN فعال للغاية عندما يكون تخمين الشبكة قريباً من المثالي، ولكنه قد يفشل (يتركز في سلاسل دون المثالية) عندما يكون تنبؤ GNN سيئاً. وعلى العكس من ذلك، فإن فرع التلدين للبدء البارد قوي تجاه إخفاقات GNN ولكنه يتطلب دوائر أعمق.
تحليل الضجيج: عند محاكاة النظام بنموذج خطأ واقعي لمعالج Aquila:
- تتضاءل ميزة الدوائر العميقة؛ حيث ينخفض العمق الأمثل لفرع التلدين من $p=20$ إلى $p=5$ .
- يصبح بروتوكول البدء الدافئ عند العمق الضحل ( $p=3$ ) هو البروتوكول الفردي الأكثر قوة، متفوقاً على فرع التلدين الصاخب.
- من الأهمية بمكان أن استراتيجية المحفظة تفقد قيمتها مع زيادة مستويات الضجيج. عند عوامل الضجيج $\lambda \geq 1$ (التي تمثل قدرات الأجهزة الحالية)، يصبح البدء الدافئ هو الطرف الأفضل في كل حالة، مما يقلص المحفظة فعلياً إلى البدء الدافئ وحده. تحتفظ المحفظة بقيمتها التكاملية فقط عند مستويات ضجيج أقل بكثير ( $\lambda \approx 0.1$ ).
إحصائيات أخذ العينات: بينما تتحسن القيم المتوقعة، فإن احتمال قياس القطع المثالي بالضبط ( $P_{opt}$ ) في لقطة واحدة يظل أقل من تقريب GW المتكرر للأعماق الصغيرة. ومع ذلك، تظهر البروتوكولات الكمية وعداً في إيجاد قطعات عالية الجودة بعدد أقل من اللقطات مقارنة بأخذ العينات الكلاسيكي في مجالات معينة.

الأهمية والادعاءات
يدعي البحث بتواضع إمكانية استخدام QAOA القائم على ريدبرج التناظري لحل مسألة MaxCut الموزون دون العبء الإضافي لعمليات التضمين القائمة على الأدوات المساعدة. المساهمات الرئيسية هي:

التضمين المباشر ثلاثي الأبعاد: إثبات أن المصفوفات الذرية ثلاثية الأبعاد يمكنها ترميز الرسوم البيانية الموزونة التعسفية أصلياً عبر ضبط المسافات بين الذرات، مما يتجنب الحاجة إلى كيوبتات مساعدة.
تحليل المشهد: تحديد أن الخيار "الجشع" لأفضل حد أدني محلي عند العمق $p=1$ يمكن أن يؤدي إلى أداء عالمي دون المستوى (الفرع غير الأديباتي)، وأن قيداً فيزيائياً بسيطاً على مدة النبضة يمكن أن يوجه المحسن نحو مسار أديباتي متفوق.
الاستراتيجية الهجينة: إظهار أن الجمع بين خوارزمية كلاسيكية (GNN) للبدء الدافئ وتلدين كمي يخلق محفظة أكثر قوة من أي منهما بمفرده في الحد الخالي من الضجيج، مما يغطي بفعالية نقاط ضعف كل منهما. ومع ذلك، فإن هذه الميزة مشروطة بمستويات منخفضة من الضجيج؛ ففي ظل ضجيج الأجهزة الحالي، تنهار المحفظة لتصبح بروتوكول البدء الدافئ.
القدرة على تحمل الضجيج: تقديم تقييم واقعي لكيفية تقليص ضجيج الأجهزة الحالي لميزة العمق وفائدة استراتيجية المحفظة، مع الإشارة إلى أن بروتوكولات البدء الدافئ ذات العمق الضحل لا تزال قادرة على التفوق على المعايير الكلاسيكية في القيم المتوقعة، بشرط إدارة معدلات الخطأ.

يخلص المؤلفون إلى أنه بينما تمنع مستويات الضجيج الحالية تحقيق الإمكانات الكاملة لأفرع التلدين العميقة ونهج المحفظة، فإن الأداء الملحوظ في الحد الخالي من الضجيج ومتانة بروتوكول البدء الدافئ يشيران إلى مسار قابل للتطبيق مع تحسن دقة الأجهزة.

أبحاث مشابهة