Normalizing Flows for Classical Simulation of Quantum Circuits in Phase Space
تقدم هذه الورقة إطار عمل مبتكر يستخدم التدفقات التنميطية لتمثيل الدوائر الكمومية كتوزيعات احتمالية على متشعب فضاء الطور، مما يظهر دقة فائقة مقارنة بطرق الشبكات العصبية الحالية لمحاكاة الأنظمة الكمومية واسعة النطاق.
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
غالباً ما يبدو السعي لفهم العالم الكمومي وكأنه محاولة لرسم خريطة لمشهد طبيعي يرفض الثبات في مكانه. في مجال الحوسبة الكمومية، يدرس العلماء أنظمة مكونة من جسيمات متناهية الصغر تسمى "الكيوبتات" (qubits)، والتي يمكن أن توجد في حالات متعددة في آن واحد. وللتنبؤ بكيفية سلوك هذه الأنظمة، يحاول الباحثون تقليدياً تتبع كل تكوين محتمل للجسيمات، وهي مهمة تصبح صعبة للغاية مع نمو النظام. فعندما يحتوي الحاسوب على بضع عشرات فقط من الكيوبتات، ينفجر عدد الاحتمالات بما يتجاوز قدرة حتى أقوى الحواسيب الفائقة. هذا القصور هو العقبة المركزية في هذا المجال: فإذا لم نتمكن من محاكاة هذه الأنظمة على حواسيب عادية، فلن نتمكن من فهمها بالكامل، ولا من تصميم الأجهزة الكمومية المستقبلية بشكل موثوق. ولعقود من الزمن، اعتمد العلماء على حيل رياضية متخصصة تعمل جيداً مع الدوائر البسيطة والمنتظمة، لكنها تفشل عندما يصبح النظام معقداً أو فوضوياً.
اقترح فريق من الباحثين في معهد "آي سي إف أو" (ICFO) لعلوم الضوئيات وجامعة وارسو طريقة جديدة للتنقل في هذا التضاريس الصعبة. فبدلاً من محاولة تتبع الحالة الصلبة والدقيقة لكل جسيم، يعاملون النظام الكمومي كمنظر طبيعي متدفق من الاحتمالات. تخيل حالة الحاسوب الكمومي ليس كنقطة واحدة، بل كسحابة من الضباب تنتشر فوق سطح واسع متعدد الأبعاد. في هذه الرؤية، لا تكون العمليات التي يقوم بها الحاسوب الكمومي مفاتيح صلبة، بل تحولات سلسة تعيد تشكيل السحابة. وقد طور الباحثون طريقة لتعلم كيفية إعادة تشكيل هذه السحابة خطوة بخوة، محاكيةً عمل الدائرة الكمومية دون الحاجة إلى حساب كل احتمال على حده. ويطلقون على هذا النهج اسم "التدفق الطبيعي" (normalizing flow)، وهو نوع من نماذج تعلم الآلة المتميز في تعلم كيفية تحويل شكل إلى آخر. ومن خلال تدريب هذه النماذح على اتباع مسار دائرة كمومية، أنشأ الفريق أداة يمكنها محاكاة الأنظمة الكمومية الكبيرة بمستوى من الدقة لم تستطع الطرق السابقة مضاهاته.
يكمن جوهر هذا العمل في طريقة محددة للنظر في ميكانيكا الكم تُعرف باسم "صياغة فضاء الطور" (phase space formulation). في هذا الإطار، تُمثل حالة مجموعة من الكيوبتات كتوزيع احتمالي، تماماً كما تظهر الخريطة الجوية احتمالية هطول الأمطار عبر منطقة ما. وقد اختار الباحثون نوعاً معيناً من الخرائط يسمى "دالة Q" (Q function)، والتي تتميز بخاصية مفيدة وهي أنها تظهر دائماً قيماً موجبة، مما يسمح بمعاملتها كتوزيع احتمالي حقيقي. وعندما تؤثر بوابة كمومية، أو عملية ما، على النظام، فإنها تغير هذا التوزيع. وفي الماضي، كان حساب هذا التغيير صعباً لأن القواعد الرياضية التي تحكم التحول غالباً ما تتضمن أرقاماً سالبة، مما يكسر منطق الاحتمالات. وقد حل الباحثون هذه المشكلة باستخدام نموذج توليدي لتعلم التحول مباشرة؛ فبدلاً من محاولة حساب الرياضيات المعقدة للتحول في كل مرة، قاموا بتدريب شبكة عصبية لتعلم شكل التوزيع الجديد بناءً على التوزيع القديم.
يعمل هذا الأسلوب عن طريق تفكيك الدائرة الكمومية إلى سلسلة من الخطوات. فلكل بوابة في الدائرة، يتعلم النموذج "تدفقاً" محدداً يدفع سحابة الاحتمالات من شكلها الحالي إلى الشكل التالي. ولأن النموذج يتعلم هذه التدفقات بالتتابع، فإنه يستطيع بناء تحول معقد عبر تكديس تحولات بسيطة، تماماً مثل طي قطعة من الورق عدة مرات لإنشاء شكل معقد. وقد اختبر الباحثون هذا النهج على ثلاثة أنواع مختلفة من الدوائر الكمومية: دائرة تنشئ حالة متشابكة محددة تُعرف باسم "الحالة العنقودية" (cluster state)، وأخرى تنشئ حالة "جرينبيرجر-هورن-زيليجر" (GHZ)، وثالثة تُجهز الحالة الأرضية لنموذج مغناطيسي يسمى "نموذج إيزينج للمجال المستعرض". وفي كل حالة، قارنوا نتائجهم بالحلول الرياضية الدقيقة وبالطرق الرائدة الأخرى للمحاكاة.
أظهرت النتائج أن الطريقة الجديدة تحافظ على مكانتها حتى مع كبر حجم الأنظمة. فبالنسبة لتجهيز الحالة العنقودية، حقق النموذج دقة (fidelity) تبلغ حوالي 0.96 عند محاكاة نظام مكون من 64 كيوبت. وهذا يمثل تحسناً كبيراً مقارنة بالطرق الأخرى، التي انخفضت دقتها إلى حوالي 0.91 لنظام مماثل الحجم. أما بالنسبة لحالة GHZ، فقد وصلت الدقة إلى حوالي 0.965، متفوقة على أفضل الطرق السابقة. وفي حالة دائرة نموذج "إيزينغ" الأكثر تعقيداً، انخفضت الدقة بشكل طفيف فقط مع إضافة المزيد من البوابات، محتفظة بمستوى عالٍ من الدقة الذي تجاوز نموذج "المحول" (transformer-based model) بفارق واضح. وتشير هذه النتائج إلى أن النهج قوي بما يكفي للتعامل مع تعقيد الدوائر الكمومية الواقعية، خاصة تلك التي تتضمن عدداً كبيراً من الجسيمات وتسلسلات عميقة من العمليات.
ومع ذلك، يشدد الباحثون بحذر على حدود نجاحهم. فهذه الطريقة تعمل بشكل أفضل عندما تؤثر البوابات الكمومية على عدد صغير من الكيوبتات في المرة الواحدة، وهو أمر شائع في العديد من الأنظمة الفيزيائية. فإذا أثرت بوابة واحدة على جميع الكيوبتات في وقت واحد، ستصبح التكلفة الحسابية باهظة. علاوة على ذلك، فإن النموذج ليس حلاً عالمياً يعمل لكل حالة مدخلة محتملة دون إعادة تدريب؛ فهو يتعلم المسار المحدد للدائرة التي تم تدريبه عليها. كما تعتمد دقة المحاكاة على عمق الدائرة، حيث يزدل الخطأ ببطء مع زيادة عدد البوابات. ورغم هذه القيود، يمثل هذا العمل مساراً قابلاً للتطبيق نحو محاكاة الأنظمة الكمومية التي كانت بعيدة المنال سابقاً. فمن خلال معاملة الحالة الكمومية كتوزيع احتمالي قابل للتعلم، فتح الباحثون آفاقاً جديدة لفهم سلوك المادة الكمومية المعقدة، مقدمين أداة قد تساعد في سد الفجوة بين الفيزياء الكمومية النظرية والهندسة الكمومية العملية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.