Numerical Optimization Strategies for the Variational Hamiltonian Ansatz in Noisy Quantum Environments

تخيل أنك تحاول خبز كعكة الشوكولاتة المثالية، لكنك تفعل ذلك في مطبخ تومض فيه الأضواء بجنون، وتتذبذب درجة حرارة الفرن صعوداً وهبوطاً، وفي كل مرة تتذوق فيها الخليط، تعطيك الملعقة قراءة مختلفة قليلاً. هذا هو عالم الحوسبة الكمومية اليوم. يبني العلماء آلات يمكنها حل مشكلات مستحيلة على الحواسيب العادية، مثل محاكاة كيفية تفاعل الجزيئات لابتكار أدوية أو مواد جديدة. ومع ذلك، فإن هذه الآلات "صاخبة" حالياً، مما يعني أنها ترتكب أخطاءً وتعطي إجابات ضبابية. وللحصول على نتائج مفيدة، يستخدم الباحثون حيلة ذكية تسمى المحلل الكمي المتغير (VQE). فكر في هذا كأنه لعبة "ساخن وبارد" تُلعب مع وصفة طعام. لديك وصفة رقمية (دائرة كمومية) بها العديد من المقابض التي يمكنك تدويرها (المعلمات). أنت تريد تدوير هذه المقابض حتى تصبح الكعكة (الجزيء) ذات مذاق مثالي تماماً (أقل طاقة ممكنة). ولكن لأن المطبخ صاخب، فإن كل مرة تتحقق فيها من المذاق، تكون النتيجة مشوشة قليلاً.

ولإصلاح هذا المذاق المشوش، تحتاج إلى مُحسِّن كلاسيكي (classical optimizer) — وهو برنامج حاسوبي ذكي يعمل بمثابة "مساعد طباخ". مهمته هي النظر في اختبارات المذاق الصاخبة واتخاذ القرار بشأن أي اتجاه يجب تدوير المقابض في المرة القادمة للوصول إلى الكعكة المثالية. لفترة طويلة، افترض العلماء أن أفضل مساعدي الطباخ هم أولئك الذين يمكنهم حساب المنحدر الدقيق لمنحنى النكهة (الطرق المعتمدة على التدرج)، تماماً مثل متسلق يستخدم خريطة دقيقة للعثور على أسفل الوادي. ولكن هذا البحث يطرح سؤالاً حاسماً: ماذا يحدث عندما تغطي الضباب الخريطة وتتزلزل الأرض؟ هل لا يزال المتسلق الذي يمتلك خريطة دقيقة هو الفائز، أم أنه سيضيع؟ أراد مؤلفو هذه الدراسة معرفة أي "مساعد طباخ" هو الأكثر قوة وصموداً عندما يكون المطبخ الكمومي فوضوياً وصاخباً، لضمان قدرتنا فعلياً على الحصول على نتائج جيدة من هذه الآلات الهشة.

---

المواجهة الكبرى للمُحسِّنات في مطبخ صاخب

في هذه الدراسة، أقام الباحثون محاكاة رقمية ضخمة لاختبار ثمانية خوارزميات مختلفة من "مساعدي الطباخ". لم يختبروها على وصفة واحدة فحسب؛ بل جربوها على أربعة أنواع مختلفة من "كعكات" الجزيئات: جزيء هيدروجين بسيط ($H_2$)، وسلسلة من أربعة هيدروجينات ($H_4$)، وهيدريد الليثيوم ($LiH$) في شكليه الكامل والمبسط. واستخدموا تصميم وصفة فعال ومحدد يسمى المنهج الهاميلتوني المتغير المبتور (tVHA)، وهو يشبه نسخة مبسطة من وصفة معقدة تتخطى الخطوات غير الضرورية لتوفير الوقت وتقليل الأخطاء.

أجرى الفريق 1,280 محاكاة مستقلة. واختبروا كل خوارزمية تحت شرطين: عالم مثالي خالٍ من الضجيج (مثل مطبخ ذي إضاءة مثالية وأفران مستقرة) وعالم صاخب واقعي حيث كان عليهم محاكاة "أخذ عينات محدود" (finite-shot sampling). في المصطلحات الكمومية، يعني "أخذ عينات محدود" أنه لا يمكنك قياس الطاقة بشكل مثالي؛ بل يجب عليك أخذ عدد محدود من العينات (مثل تذوق الخليط 6,144 مرة) ومتوسطها. هذا المتوسط يُدخل ضجيجاً إحصائياً، مما يجعل قراءات الطاقة تتذبذب.

حبكة القصة: الخريطة تصبح كذبة

كانت النتائج مفاجئة وقلبت الموازين عما توقعه العلماء. في المحاكاة المثالية الخالية من الضجيج، كانت الطرق المعتمدة على التدرج (مثل BFGS و SLSQP) هي الفائزة بوضوح. لقد كانت سريعة ودقيقة، ووجدت أدنى مستويات الطاقة بدقة مذهلة، حيث وصلت الأخطاء إلى $10^{-14}$ Hartree (وحدة طاقة). كانت مثل متسلقين يمتلكون نظام تحديد مواقع (GPS) مثالياً، ينطلقون مباشرة نحو قاع الوادي.

ومع ذلك، بمجرد أن أدخل الباحثون ضجيج العينات (المطبخ المتذبذب)، انقلبت الترتيبات تماماً. الطرق المعتمدة على التدرج، التي اعتمدت على حساب المنحدرات الدقيقة، أصيبت بالارتباك. جعل الضجيج "المنحدر" يبدو وكأنه يتجه في الاتجاه الخاطئ، أو جعل الأرض تبدو مسطحة بينما لم تكن كذلك.

• BFGS، بطل العالم المثالي، أصبح من أسوأ الأداء في العالم الصاخب، حيث قفزت أخطاؤه إلى ما يقرب من $4 \times 10^{-3}$ Hartree.
• SLSQP استسلم عملياً، وفشل في التقارب بشكل موثوق حتى لأصغر جزيء، $H_2$.
• كان الضجيج مخادعاً لدرجة أنه جعل الخوارزميات تعتقد أحياناً أنها وجدت كعكة أفضل من الكعكة المثالية (مما ينتهك "المبدأ التبايني"، الذي ينص على أنه لا يمكنك الحصول على طاقة أفضل من الحالة الأرضية الحقيقية). كان هذا مجرد طفرة إحصائية، تخمين محظوظ ناتج عن الضجيج، وليس تحسناً حقيقياً.

الأبطال الجدد: المستكشفون

في البيئة الصاخبة، كانت المنتصرات هي الطرق القائمة على الجماعات (population-based) والطرق العشوائية (stochastic)، وتحديداً CMA-ES و PSO (تحسين سرب الجسيمات) و SPSA.

• برزت خوارزمية CMA-ES (استراتيجية تطور مصفوفة التغاير) كأكثرها صموداً. فبدلاً من محاولة اتباع مسار واحد دقيق، عملت كأنها سرب من المستكشفين. فقد حافظت على مجموعة كاملة من الحلول المرشحة، وتعلمت من خبرتهم الجماعية. وحتى عندما جعل الضجيج المسارات الفردية تبدو سيئة، قام المتوسط الجماعي بتنعيم الأخطاء.
• بالنسبة لجزيء $H_2$، حققت CMA-ES خطأً مصححاً أقل من $5 \times 10^{-4}$ Hartree.
• بالنسبة لجزيء $LiH$ الأكثر تعقيداً، حافظت على الخطأ دون $10^{-2}$ Hartree، متفوقة بكثير على الطرق المعتمدة على التدرج التي كافحت للبقاء تحت $2 \times 10^{-2}$ Hartree.

وجدت الدراسة أنه بينما تعتبر الطرق المعتمدة على التدرج رائعة للمشكلات الصغيرة والنظيفة، إلا أنها تنهار عندما يصبح المشهد وعراً وصاخباً. في المقابل، فإن النهج القائم على الجماعات مثل CMA-ES تشبه فريقاً من المستكشفين الذين يمكنهم التنقل في سلسلة جبال ضبابية لأنهم لا يعتمدون على بوصلة واحدة مهتزة؛ بل يستخدمون حكمة الجماعة لإيجاد الطريق.

واقع "اللقطات العالية" (High-Shot Reality Check)

كانت واحدة من أكثر النتائج إثارة للاهتمام هي تلك النتائج "السحرية" حيث بدت الخوارزميات وكأنها وجدت طاقة أقل من الحالة الأرضية الحقيقية. يوضح البحث أن هذا مجرد وهم ناتج عن الضجيج. عندما يكون الضجيج عالياً، يمكن للتقلبات العشوائية أن تجعل التخمين السيئ يبدو كأنه تخمين رائع.

ولإصلاح ذلك، استخدم الباحثون حيلة تسمى إعادة التقييم باللقطات العالية. بعد أن يجد المُحسِّن حلاً "جيداً"، يقومون بإعادة قياسه بعدد هائل من العينات ($10^5$ لقطة) للحصول على قراءة فائقة الدقة.

• كشف هذا أن العديد من "التحسينات" كانت مجرد آثار ناتجة عن الضجيج.
• ومع ذلك، كانت الطرق القائمة على الجماعات (مثل CMA-ES) أفضل في إيجاد الحل الأفضل الحقيقي حتى قبل عملية إعادة التقييم هذه، لأن آلية المتوسط لديها تعمل طبيعياً على تنعيم الضجيج.
• تشير الدراسة إلى أنه في البيئات الكمومية الصاخبة، يتحول الهدف من مجرد "إيجاد الحد الأدنى" إلى "تقدير الطاقة بشكل موثوق". الاستراتيجية الأفضل هي استخدام مُحسِّن قوي مثل CMA-ES ثم قضاء وقت إضافي (لقطات أكثر) للتحقق من الإجابة النهائية، بدلاً من محاولة إجبار طريقة تدرج دقيقة على العمل وسط الضباب.

الخلاصة للمستقبل

يختتم البحث بدليل واضح لكل من يحاول استخدام هذه الحواسيب الكمومية الصاخبة. إذا كنت تعمل على مشكلة صغيرة وبسيطة مع ضجيج ضئيل جداً، يمكنك استخدام الطرق السريعة المعتمدة على التدرج. ولكن بمجرد انتقالك إلى جزيئات أكبر أو أجهزة واقعية صاخبة، يجب عليك الانتقال إلى المُحسِّنات القائمة على الجماعات مثل CMA-ES أو PSO أو SPSA.

لاحظ المؤلفون أيضاً أن البدء بتخمين "مدفوع كيميائياً" (باستخدام تهيئة Hartree-Fock) يساعد في الأنظمة الصغيرة، ولكن مع كبر حجم المشكلة، تعمل نقاط البداية العشوائية أحياناً بنفس الكفاءة لأن مساحة البحث واسعة جداً لدرجة أن القليل من العشوائية يساعد في استكشاف المزيد من المساحات.

في نهاية المطاف، يشير هذا البحث إلى أنه للحصول على أقصى استفادة من آلاتنا الكمومية الصاخبة اليوم، نحتاج إلى التوقف عن محاولة إجبارها على أن تكون دقيقة مثل الحواسيب الكلاسيكية، والبدء في استخدام خوارزميات مصممة لتكون قوية، استكشافية، وجيدة في تنعيم الفوضى عبر المتوسطات. الخريطة "المثالية" لا فائدة منها في العاصفة؛ أنت بحاجة إلى فريق من المستكشفين الذين يمكنهم إيجاد طريقهم معاً.