⚛️ الفيزياء الكمومية

PINNverse meets Jordan--Wigner: learning the Hamiltonian of long spin chains

تُثبت هذه الورقة أن تطبيق تحويل جوردان-ويغنر على الشبكات العصبية الموجهة بالفيزياء العكسية (PINNverse) يلغي التوسع الأسي لتعلم الهاميلتونيّات الكمومية، مما يُمكّن من الاسترداد الدقيق للمعلمات لسلاسل السبين التي تصل إلى 50 كيوبت باستخدام الملاحظات المحلية فقط و $N^2$ من مخرجات الشبكة.

المؤلف الأصلي: Gubio G De Lima

نُشر 2026-11-11

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC0 1.0

المؤلف الأصلي: Gubio G De Lima

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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 السعي لبناء حواسيب كمومية أفضل، يواجه العلماء لغزاً جوهرياً: كيف يمكن معرفة ما تفعله الآلة بالضبط؟ يتكون الحاسوب الكمومي من وحدات صغيرة تسمى "الكيوبتات" (qubits)، والتي يمكن أن توجد في حالات متعددة في آن واحد. ولجعل هذه الآلات تعمل، يجب على المهندسين معايرتها بدقة متناهية، لضمان أن القوى التي تربط الكيوبتات ببعضها تتصرف تماماً كما هو مخطط لها. تكمن المشكلة في أنه كلما أضفت المزيد من الكيوبتات، زاد عدد الأشياء التي تحتاج إلى قياسها بسرعة كبيرة، مما يجعل من المستحيل فحصها جميعاً. تتطلب الطرق التقليدية عدداً هائلاً من إعدادات القياس المختلفة، لدرجة أن المهمة لجهاز يحتوي على عشرين كيوبت فقط ستستغرق وقتاً أطول من عمر الكون. لقد ظل هذا العائق طويلاً في طريق توسيع نطاق التكنولوجيا الكمومية، تاركاً الباحثين أمام جهاز لا يمكنهم فهمه أو التحكم فيه بشكل كامل.

لقد وجد فريق من الفيزيائيين طريقة لتجاوز هذا الحاجز المستحيل لنوع محدد وشائع من الآلات الكمومية. فقد طوروا طريقة جديدة تستخدم برنامج حاسوبي ذكياً لتعلم الإعدادات الخفية لسلسلة طويلة من الكيوبتات، حتى عندما تحتوي هذه السلسلة على خمسين وحدة. يعتمد هذا الاختراق على خدعة رياضية ذكية تغير كيفية رؤية المشكلة؛ فبدلاً من محاولة تتبع كل حالة ممكنة للسلسلة بأكملها، وهو ما يمثل كابوساً ينمو بشكل أسي، أدرك الباحثون أنه يمكنهم وصف سلوك النظام باستخدام مجموعة أصغر وأكثر قابلية للإدارة من الأرقام. ومن خلال التعامل مع الكيوبتات كما لو كانت تياراً من الجسيمات التي تتحرك على طول خط، نجحوا في تقليل تعقيد المشكلة من شيء ينفجر في الحجم إلى شيء ينمو ببطء وثبات. وقد سمح لهم ذلك باستخدام شبكة عصبية — وهي نوع من الذكاء الاصطناعي المصمم لإيجاد الأنماط في البيانات — لحل معادلات الحركة للنظام، ومن ثم العمل بشكل عكسي لاكتشاف القوة الدقيقة للروابط بين الكيوبتات.

اختبر الباحثون نهجهم باستخدام بيانات اصطناعية، وهي معلومات مولدة حاسوبياً تحاكي ما قد ينتجه تجربة حقيقية. لقد قاموا بمحاكاة سلاسل من الكيوبتات ذات قوى اتصال وترددات محلية متفاوتة، بما في ذلك التفاعلات الصغيرة غير المرغوب فيها التي غالباً ما تعيب الأجهزة الحقيقية. تم تدريب الشبكة العصبية للتنبؤ بكيفية تطور النظام بمرور الوقت بناءً على عدد قليل من القياسات البسيطة المأخوذة في لحظات مختلفة. ومن المثير للإعجاب أن الشبكة لم تتعلم فقط التنبؤ بالسلوك المستقبلي للسلسلة، بل نجحت أيضاً في تحديد المعلمات الأساسية التي تحكمها. وبالنسبة للسلاسل التي تصل إلى خمسين كيوبت، استعادت الطريقة قوة الروابط بدقة أفضل من واحد من عشرة في المائة. وقد تحقق هذا المستوى من الدقة باستخدام خمس إعدادات قياس عالمية فقط، بغض النظر عن طول السلسلة، في حين كانت الطرق القديمة ستتطلب ملايين أو حتى مليارات الإعدادات لسلسلة بهذا الحجم.

أحد الجوانب الأكثر أهمية لهذا العمل هو كيفية تعامله مع الواقع الفوضوي للأجهزة الكمومية. فالأجهزة الحقيقية ليست مثالية أبداً؛ فهي تعاني من "التداخل" (crosstalk)، حيث يؤثر كيوبت ما بشكل غير مقصود على جاره بطريقة لم تكن مبرمجة. وقد دمج الباحثون تقنية تسمى "إغلاق هارتري-فوك المعتمد على الزمن" (time-dependent Hartree–Fock closure) في نموذجهم. وببساطة، هذه طريقة لتقريب كيفية تأثير هذه التفاعلات غير المرغوب فيها على النظام دون الحاجة إلى حساب كل تفصيل بمفرده، وهو أمر سيكون بطيئاً للغاية. وقد أثبتت الطريقة قدرتها على اكتشاف وقياس هذه الارتباطات الطفيلية، وتحديدها بدقة عالية حتى عندما كانت ضعيفة جداً. وهذا أمر بالغ الأهمية لأن معرفة الطبيعة الدقيقة لهذه الأخطاء هي الخطوة الأولى نحو إصلاحها.

كشفت الدراسة أيضاً عن تحدٍ دقيق يظهر مع زيادة طول السلاسل. فبينما استطعت الطريقة تحديد قوة الروابط بين الجيران بدقة متناهية، إلا أن الترددات المحلية للكيوبتات نفسها تراكمت فيها أخطاء صغيرة. ولحل هذه المشكلة، دمج الباحثون شبكتهم العصبية مع تقنية ملاءمة إحصائية تقليدية؛ حيث وفرت الشبكة العصبية نقطة انطلاق دقيقة للغاية، ثم قامت الطريقة التقليدية بتنقية النتيجة، مما أدى إلى إزالة الأخطاء المتراكمة. سمح هذا النهج الهجين باستعادة المعلمات لسلسلة مكونة من خمسين كيوبت بأخطاء لا تتعدى سبعة من عشرة في المائة، حتى عندما تضمنت البيانات مستويات واقعية من الضجيج.

يُظهر هذا العمل أنه من الممكن تعلم "الهاملتوني" (Hamiltonian) — وهو الوصف الرياضي للطاقة والتفاعلات في نظام ما — للأجهزة الكمومية الكبيرة دون الحاجة إلى كمية هائلة من البيانات تنمو بشكل أسي. هذه الطريقة ليست عصا سحرية تحل كل مشكلة كمومية، فهي مصممة خصيصاً للسلاسل التي تتفاعل فيها الكيوبتات أساساً مع جيرانها المباشرين. ومع ذلك، بالنسبة للدوائر فائقة التوصيل التي تقود السباق حالياً لبناء حواسيب كمومية عملية، فإن هذا القيد ليس عائقاً بل هو ميزة؛ فهذه الأجهزة تشكل طبيعياً سلاسل من الكيوبتات المرتبطة بالتبادل، مما يجعل التقنية الجديدة قابلة للتطبيق مباشرة على الأجهزة التي تُبنى اليوم. ومن خلال تحويل مشكلة قياس مستحيلة إلى مهمة تعلم قابلة للحل، قدم الباحثون أداة قوية لمعايرة الجيل القادم من المحاكيات الكمومية، مما يقربنا من آلات يمكنها حقاً تسخير قوة ميكانيكا الكم.

ملخص تقني: التقاء PINNverse مع تحويل جوردان-ويجنر: تعلم الهاميلتوني لسلاسل الغزل طويلة المدى

بيان المشكلة
يعد تحديد "الهاميلتوني" (Hamiltonian) لجهاز كمي من خلال قيم التوقع المقاسة مهمة بالغة الأهمية لمعايرة الأجهزة الكمية ومحاكاة الأنظمة الكمية. تتطلب الطرق التقليدية، مثل تصوير العمليات (process tomography)، عددًا من إعدادات القياس ينمو بشكل أسي مع عدد الكيوبتات ( $N$ ). وبينما تم تطبيق الشبكات العصبية المستوحاة من الفيزياء (PINNverse) على المسائل العكسية لتعلم المعاملات المجهولة للمعادلات التفاضلية، إلا أن الصيغ القياسية تواجه حاجزًا جوهريًا في القابلية للتوسع. في هذه النهج، يجب على الشبكة العصبية تمثيل الحالة الكمية الكاملة (مصفوفة الكثافة $\rho$ ) أو المجموعة الكاملة لقيم توقعات "باولي" (Pauli expectation values)، وكلاهما يتوسع بمعدل $4^N$ . بالنسبة لـ $N=20$ ، يتطلب هذا ما يقرب من $10^{12}$ مخرجًا، مما يجعل النهج غير قابل للتطبيق للأنظمة الكبيرة. أما الاستراتيجيات الموجودة، مثل آليات "التجميد" التي تتعلم الكيوبتات زوجيًا، فهي تتجاوز ذلك عبر اشتراط تجارب مستقلة عديدة وتحكم إضافي، مما يفشل في تعلم سلسلة كاملة في آن واحد بتوسع متعدد الحدود.

المنهجية
يقترح هذا العمل إعادة صياغة لـ PINNverse لسلاسل الغزل أحادية الأبعاد ذات تفاعلات التبادل بين الجيران الأقرب، وذلك بالاستفادة من تحويل جوردان-ويجنر (Jordan–Wigner) للقضاء على التوسع الأسي.

رسم خريطة جوردان-ويجنر: يتم رسم خريطة لسلسلة الغزل-1/2 إلى نظام من الفرميونات عديمة الغزل. بالنسبة لنموذج XX غير المتجانس في مجال طولي (النموذج المستهدف)، يصبح الهاميلتوني تربيعيًا في مؤثرات الفرميونات. وبناءً على ذلك، تنغلق معادلات الحركة لهيزنبرج تمامًا على مصفوفة الكثافة أحادية الجسم، $\rho^{(1)}(t)$ ، بدلاً من مصفوفة الك densité الكاملة $2^N \times 2^N$ .
بنية الشبكة العصبية: بدلاً من إخراج $4^N - 1$ من قيم توقعات باولي، تأخذ الشبكة العصبية الزمن $t$ كمدخل وتخرج $N^2$ من المدخلات الحقيقية لمصفوفة الكثافة أحادية الجسم $\rho^{(1)}_{NN}(t)$ . تم بناء الشبكة لتلبي الشرط الأولي بدقة (قيد صلب) ولإخراج مصفوفة هيرميتية.
دالة الخسارة (Loss Function): تجمع دالة التدريب بين حد البيانات وحد الفيزياء:
- حد البيانات ( $L_{data}$ ): يقارن الملاحظات المحلية المتوقعة للشبكة (مثل المغناطيسية $\langle \sigma^z_j \rangle$ والارتباطات/التيارات المجاورة) مع البيانات المقاسة. ومن الأهمية بمكان أن هذه الملاحظات يمكن الحصول عليها باستخدام خمسة إعدادات قياس عالمية فقط (مستقلة عن $N$ )، بينما يتطلب إعادة بناء جميع قيم باولي $3^N$ من الإعدادات.
- حد الفيزياء ( $L_{Physics}$ ): يفرض معادلة الحركة. بالنسبة لنموذج XX، هذه هي معادلة ليوفيل-فون نيومان للمصفوفة أحادية الجسم: $d\rho^{(1)}/dt = -i[K, \rho^{(1)}]$ ، حيث $K$ هي مصفوفة الهاميلتوني أحادية الجسيم التي تحتوي على روابط التبادل $J_j$ والحقول $h_j$ المجهولة.
التعامل مع التداخل (ارتباطات ZZ): لمعالجة تفاعلات ZZ المتبقية (الارتباطات الطفيلية) الشائعة في الكيوبتات فائقة التوصيل، قدم المؤلف إغلاق "هارتري-فوك" المعتمد على الزمن (TDHF). يقوم هذا بتقريب حدود التفاعل الرباعية إلى تفاعلات تربيعية، مما ينتج عنه معادلة حركة غير خطية حيث يتناسب الخطأ مع $O(\Delta^2)$ بالنسبة للتداخل الضعيف $\Delta$ .
استراتيجية التحسين: يتم حل المسألة العكسية في مرحلتين. أولاً، يقوم مُحسن Adam بتدريب الشبكة والمعاملات. ثانًا، تقوم طريقة L-BFGS (quasi-Newton) بتنقية الحل. وللتخفيف من تراكم الخطأ في السلاسل الطويلة، يعمل مخرج الشبكة كتقدير أولي عالي الجودة لعملية مطابقة المربعات الصغرى المباشرة، مما يزيل الانحيازات المتراكمة في الترددات المحلية.

المساهمات الرئيسية

إعادة صياغة ذات توسع متعدد الحدود: يوضح البحث أنه بالنسبة لسلاسل التبادل بين الجيران الأقرب، يمكن تقليل التكلفة الأسية لـ PINNverse إلى توسع متعدد الحدود ( $N^2$ من مخرجات الشبكة) دون تقريب لنموذج XX.
بروتوكول قياس أدنى: يحدد مجموعة دنيا من الملاحظات المحلية (المغناطيسية وتيارات الغزل) التي تجعل جميع سعات القفز واختلافات الحقول قابلة للتعرف باستخدام خمسة إعدادات قياس عالمية فقط لأي طول سلسلة $N$ .
كشف التداخل: تم تطوير امتداد TDHF للتعامل مع تداخل ZZ، مما يسمح بالتعلم المتزامن لروابط التبادل، والحقول المحلية، وقوى ZZ الطفيلية.
عرض قابل للتوسع: نجحت الطريقة في تعلم معاملات الهاميلتوني لسلاسل تصل إلى $N=50$ كيوبت، وهو نطاق يتجاوز بكثير قدرات صياغات PINNverse السابقة.

النتائج
باستخدام بيانات اصطناعية ناتجة عن ديناميكيات الغزل الدقيقة:

المسألة الأمامية (Forward Problem): تحل الشبكة بدقة معادلة الحركة لمصفوفة الكثافة أحادية الجسم، محققة أقصى انحرافات عن الحل المرجعي على رتبة $10^{-4}$ إلى $10^{-7}$ اعتمادًا على $N$ ووجود التداخل.
المسألة العكسية (سلسلة XX): بالنسبة للبيانات الخالية من الضجيج، تستعيد الشبكة روابط التبادل ( $J_j$ ) بنسبة خطأ متوسط مطلق (MAPE) أقل من 0.1% للسلاسل التي يصل طولها إلى $N=50$ . كما يتم تعلم اختلافات الحقول المحلية ( $h_j - h_1$ ) بدقة عالية، رغم أن القيم المطلقة للحقول تراكم أخطاء صغيرة عبر السلاسل الطويلة.
المتانة تجاه الضجيج: مع وجود ضجيج قياس ( $\sigma=0.01$ )، تحافظ الشبكة على دقة مماثلة لمطابقات المربعات الصغرى المباشرة.
النهج الهجين: استراتيجية "PINN + fit"، حيث يعمل تقدير الشبكة كبداية لعملية مطابقة مباشرة، تقضي على أخطاء التردد المتراكمة في السلاسل الطويلة. بالنسبة لـ $N=50$ مع وجود ضجيج، يحقق هذا النهج الهجين قيم MAPE تبلغ 0.047% للروابط و0.71% للحقول.
كشف التداخل: نجحت الطريقة في اكتشاف وقياس روابط ZZ ( $\Delta_j$ ) في سلاسل $N=8$ ، حيث أظهر نموذج TDHF أخطاء عدم تطابق أقل بكثير مقارنة بالنموذج الذي يتجاهل التداخل.

الأهمية والادعاءات
يزعم المؤلف أن هذا العمل يقدم أول صياغة لـ PINNverse تتعلم سلسلة غزل كاملة في آن واحد مع نمو مخرجات الشبكة بشكل متعدد الحدود مع $N$ . من خلال استغلال الإغلاق الدقيق لديناميكيات المصفوفة أحادية الجسم عبر تحويل جوردان-ويجنر، يتغلب النهج على الحاجز الأسي الذي حد من التعلم الفيزيائي المستند إلى الشبكات (PINNverse) للأنظمة الصغيرة (عادةً $N \le 10$ ).

يؤكد البحث أن هذا النهج ليس مجرد تمرين أكاديمي، بل هو قابل للتطبيق مباشرة على سلاسل كيوبتات "ترانسمون" (transmon) فائقة التوصيل، والتي تنفذ بطبيعتها نموذج XX غير المتجانس. إن القدرة على معايرة المعاملات وكشف التداخل باستخدام خمسة إعدادات قياس عالمية فقط توفر مسارًا عمليًا لتوصيف المحاكيات التناظرية واسعة النطاق. ويشير المؤلف بتواضع إلى أنه بينما يكون النهج دقيقًا لنموذج XX، فإن الامتدادات إلى سلاسل XY غير المتناحية (التي تتطلب مصفوفات التغاير لـ Majorana) والأنظمة المفتوحة (ديناميكيات Lindblad) تعد خطوات طبيعية تالية، بينما تظل الهاميلتونيات العامة ثنائية الجسم خارج هذا النطاق المحدد.

أبحاث مشابهة