Quantum state tomography with measurement-conditioned diffusion models
تقدم الورقة البحثية Diff-QST، وهو نموذج انتشار مشروط بالقياس يتفوق على مقدرات الاحتمالية القصوى والبرمجة شبه المحددة التقليدية في كل من دقة إعادة البناء والسرعة في التصوير الطيفي للحالة الكمومية، ويتميز بشكل خاص في سيناريوهات القياس المشوبة بالضجيج وغير المكتملة مع أربعة أو خمسة كيوبتات.
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
لفهم عمل علماء الفيزياء الكمية، يجب أولاً استيعاب طبيعة الحالة الكمية. في العالم الكلاسيكي، يمتلك نظام مثل "البلبل" (spinning top) موضعًا وسرعة محددين يمكن قياسهما دون إحداث أي تشويش له. أما في المجال الكمي، فيوجد النظام في حالة "تراكب" (superposition) دقيقة من الاحتمالات حتى يتم رصده. وللوصف الكامل لهذه الحالة، يجب على العلماء إعادة بناء كائن رياضي يسمى "مؤثر الكثافة" (density operator)، والذي يعمل كخريطة كاملة لاحتمالات النظام. هذه العملية، المعروفة باسم "تصوير الحالة الكمية" (quantum state tomography)، هي الطريقة القياسية للتحقق من أن الجهاز الكمي قد أعدّ الحالة التي كان ينوي إنشاؤها. ويكمكم التحدي في حقيقة أن قياس النظام الكمي يؤدي حتمًا إلى تشويشه، وغالبًا ما تكون البيانات التي يتم الحصول عليها غير مكتملة أو مشوبة بالضجيج. ومع زيادة عدد الجسيمات في النظام، يتضخم حجم البيانات المطلوبة لبناء هذه الخريطة، مما يجعل المهمة صعبة ومستهلكة للوقت بشكل متزايد بالنسبة للآلات الأكبر حجمًا.
قدم فريق من الباحثين طريقة جديدة تسمى "Diff-QST"، مصممة لحل مشكلة إعادة البناء هذه بسرعة ودقة أكبر من التقنيات الحالية. وبدلاً من الاعتماد على الحسابات الإحصائية التقليدية التي يجب تكرارها من الصفر لكل مجموعة جديدة من البيانات، يستخدم هذا النهج نوعًا من الذكاء الاصطناعي المدرب على مكتبة واسعة من الحالات الكمية المحاكات. يتعلم النظام التعرف على الأنماط الأساسية للحالات الفيزيائية ثم يستخدم تلك المعرفة لتنقية بيانات القياس المشوبة بالضجيج وغير المكتملة. تخيل محاولة ترميم صورة فوتوغرافية باهتة ومخدوشة؛ فالطريقة الجديدة لا تكتفي بتخمين البكسلات المفقودة بناءً على البكسلات المرئية، بل تستخدم فهمًا متعلمًا لما يجب أن تبدو عليه الصورة الواضحة لتوجيه عملية الترميم. وفي هذه الحالة، "الصورة" هي الحالة الكمية، و"الخدوش" هي الأخطاء الناتجة عن القياسات غير المثالية.
اختبر الباحثون طريقتهم على أنظمة كمية محاكات تتراوح ما بين جسيمين إلى خمسة جسيمات. وفي كل سيناريو فحصوه، أنتج النهج الجديد إعادة بناء أكثر دقة للحالة الكمية مقارنة بطريقتين معياريتين مستخدمتين في المجتمع العلمي. إحدى هاتين الطريقتين، والمعروفة باسم "تقدير الاحتمال الأقصى" (maximum-likelihood estimation)، تبحث عن الحالة التي تجعل البيانات المرصودة هي الأكثر احتمالاً، بينما تجد الطريقة الأخرى، وهي "مقدر المربعات الصغرى" (least-squares estimator)، الحالة التي تقلل الفرق بين التنبؤ والبيانات. تتطلب كلتا الطريقتين التقليديتين وقتًا حسابيًا كبيرًا للوصول إلى حل، خاصة مع نمو النظام. في المقابل، يمكن للطريقة الجديدة، بمجرد تدريبها، توليد إعادة بناء في جزء بسيط من الوقت. وبالنسبه للأنظمة التي تحتوي على أربعة أو خمسة جسيمات، وُجد أنها أسرع من الطرق التقليدية حتى عند تشغيلها على نفس المعالج الحاسوبي، وأسرع بكثير عند استخدام أجهزة رسوميات متخصصة.
قِيست دقة إعادة البناء بمدى قرب الحالة المقدرة من الحالة المستهدفة الحقيقية. وفي جميع ظروف الاختبار الـ 120 المختلفة، والتي تباينت فيها أعداد الجسيمات، ومقدار الضجيج، وجزء القياسات المأخوذة، حققت الطريقة الجديدة دقة أعلى باستمرار. وقد أدت أداءً جيدًا بشكل خاص عندما كانت البيانات غير مكتملة، مما يعني أن الباحثين لم يقيسوا سوى جزء من الخصائص الممكنة للنظام. في هذه الحالات الصعبة، تمكنت الطريقة الجديدة من الوصول إلى مستوى عالٍ من الدقة باستخدام ما بين 25% و67% أقل من إجمالي القياسات مقارنة بنهج تعلم آلي منافس لم يستخدم تقنية التدريب هذه. ويشير هذا الكفاءة إلى أنه بالنسبة للأنظمة الكمية الأكبر، يمكن للطريقة الجديدة أن تقلل بشكل جذري من الوقت والموارد اللازمة للتحقق من أن الحاسوب الكمي يعمل بشكل صحيح.
ومع ذلك، فقد حرص الباحثون على الإشارة إلى حدود نتائجهم. فقد تم اختبار الطريقة بالكامل من خلال محاكاة حاسوبية، وليس على أجهزة كمية فيزيائية. وبينما أثبتت متانتها ضد التغيرات في نوع الضجيج أو التوزيع المحدد للحالات، إلا أن أداءها قد ينخفض إذا كان الضجيج في العالم الحقيقي أضعف بكثير أو مختلفًا عما تعلمته أثناء التدريب. علاوة على ذلك، فإن ميزة هذه الطريقة على نماذج التعلم الآلي الأبسط ظهرت فقط في الأنظمة الأكبر المكونة من أربعة وخمسة جسيمات؛ أما بالنسبة للأنظمة الأصغر، فقد كانت النماذج الأبسط أسرع وأحيانًا أكثر دقة. وتوضح الدراسة أنه بالنسبة للمهمة المحددة المتمثلة في إعادة بناء الحالات الكمية من بيانات مشوبة بالضجيج وغير مكتملة، فإن نموذج الانتشار (diffusion model) المدرب يوفر مزيجًا قويًا من السرعة والدقة، بشرط أن يكون حجم النظام كبيرًا بما يكفي للاستفادة من تعقيد التدريب.
يكمن جوهر هذا الإنجاز في كيفية تعلم النموذج. فهو لا يحفظ ببساطة العلاقة بين القياسات والحالات، بل يتعلم عملية صقل تدريجي. يبدأ بتخمين عشوائي، وهو في الأساس سحابة من الضجيج، ثم يقوم مرارًا وتكرارًا بإزالة طبقات من هذا الضجيج، مسترشدًا ببيانات القياس الفعلية التي تلقاها. وتكون هذه العملية مشروطة بالقياسات المحددة، مما يعني أن النموذج يعدل مساره بناءً على ما أُخبر أنه رصده. ومن خلال القيام بذلك في خطوتين أو ثلاث خطوات فقط، يمكنه الانتقال من عدم اليقين التام إلى وصف فيزيائي دقيق للحالة الكمية. وهذا يتناقض مع الطرق التقليدية التي تتكرر ببطء، وتعدل تقديرها خطوة بخطوة حتى تصل إلى حل مستقر. وتتجاوز الطريقة الجديدة هذا التقارب البطيء من خلال الاستفادة من الأنماط التي تعلمتها من آلاف الأمثلة، مما يسمح لها بالقفز مباشرة إلى إجابة عالية الجودة.
تتجاوز تداعيات هذا العمل مجرد السرعة. ففي تطوير التقنيات الكمية، تعد القدرة على التحقق من حالة النظام بسرعة ودقة أمرًا بالغ الأهمية لاستكشاف الأخطاء وإصلاحها والمعايرة. فإذا أراد العلماء جعل المعالج الكمي مفيدًا، فعليهم معرفة الحالة التي يحتفظ بها بدقة. غالبًا ما تكون الطرق التقليدية بطيئة جدًا بحيث لا تكون عملية للتشخيص في الوقت الفعلي على الآلات الأكبر. ومن خلال توفير طريقة لإعادة بناء هذه الحالات في أجزاء من الثانية بدلاً من ثوانٍ أو دقائق، يمكن لهذا النهج الجديد أن يصبح أداة قياسية لمراقبة الأجهزة الكمية. ويؤكد الباحثون أنه بينما تقتصر الطريقة حاليًا على المحاكاة، فإن نجاحها في هذه البيئات المحكومة يشير إلى أنها مناسبة تمامًا لعمليات التصوير السريع المطلوبة للجيل القادم من الأجهزة الكمية، حيث سيستمر حجم البيانات وتعقيد الأنظمة في النمو.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.