Quantum Natural Gradient Optimization for Convergence Reliability in NISQ Variational Quantum Algorithms

تخيل أنك تحاول تعليم روبوت ذكي جدًا، ولكنه أخرق للغاية، كيفية حل لغز ما. يعيش هذا الروبوت في عالم غريب ومتمايل يسمى "العالم الكمي"، حيث تختلف قواعد الفيزياء عن تلك التي نراها في مطابخنا أو في الشوارع. يقوم العلماء ببناء هذه الروبوتات، التي تُسمى الحواسيب الكمية، لحل مشكلات مستعصية حاليًا على الحواسيب العادية، مثل تصميم أدوية جديدة أو فك رموز معقدة. ولكن في الوقت الحالي، لا تزال هذه الروبوتات في مرحلة "الطفولة": فهي صغيرة الحجم، وتتعب بسهولة، وترتكب الأخطاء عندما تحاول القيام بالأشياء. تُعرف هذه المرحلة باسم عصر الـ NISQ (الكمي متوسط الحجم ذو الضجيج).

لتعليم هذه الروبوتات، يستخدم العلماء طريقة تدريب خاصة تسمى "الخوارزمية الكمية المتغيرة" (Variational Quantum Algorithm). فكر في الأمر كضبط راديو ضخم ومعقد يحتوي على آلاف الأزرار. تقوم بتدوير الأزرار (المعلمات) للحصول على أوضح إشارة (أفضل حل). يساعدك حاسوب خارجي في تحديد الاتجاه الذي يجب أن تدير فيه الأزرار من خلال الاستماع إلى الراديو والقول: "هذا أفضل!" أو "هذا أسوأ!". المشكلة هي أنه أحيانًا تصبح إشارة الراديو خافتة وضبابية للغاية بحيث لا يستطيع الحاسوب تمييز الفرق بين تدوير الزر لليسار أو لليمين. إنه يشبه محاولة العثور على قاع وادٍ ضخم ومسطح وضبابي، حيث يشعر المرء أن كل خطوة تبدو متطابقة تمامًا. في عالم الحوسبة الكمية، يُطلق على هذه المنطقة المربكة والمسطحة اسم "الهضبة القاحلة" (Barren Plateau). إذا تعثر التدريب هنا، فلن يتعلم الروبوت الحل أبدًا، مهما حاولت.

هذه الورقة البحثية هي دليل إرشادي لطريقة أذكى للملاحة في ذلك الوادي الضبابي. اختبر الباحثون، بقيادة مبهات الدين رافي، تقنية تسمى "التدرج الطبيعي الكمي" (Quantum Natural Gradient - QNG). وبينما تتعامل طرق التدريب القياسية مع مشهد الأزرار كشبكة مسطحة ومملة، فإن QNG يدرك أن العالم الكمي منحني ومتعرج في الواقع، مثل سطح الكرة. ومن خلال استخدام خريطة خاصة تأخذ في الاعتبار هذا الانحناء، يستطيع QNG رؤية المسار نحو الحل حتى عندما تكون الإشارة ضعيفة. لا تدعي الورقة أنها صنعت روبوتًا مثاليًا أو حلت المشكلة على جهاز حقيقي بعد؛ بل بدلاً من ذلك، أجرت محاكاة واسعة ومسيطر عليها لمعرفة ما إذا كانت هذه الخريطة الجديدة تعمل بشكل أفضل من الخريطة القديمة المسطحة عندما يكون الروبوت صاخبًا ويرتكب الأخطاء.

الاكتشاف الجوهري: بوصلة أذكى لعالم صاخب

النتيجة الرئيسية لهذه الدراسة هي أن استخدام هذه "الخريطة المنحنية" (QNG) يجعل عملية التدريب أكثر موثوقية وسرعة، حتى عندما يكون الحاسوب الكمي صاخبًا. في المحاكاة التي أجروها، أعد الباحثون إعداد حاسوب كمي مكون من 4 كيوبتات (qubits) لحل لغز محدد يسمى مشكلة "MaxCut" (وهي تشبه محاولة تقسيم مجموعة من الأصدقاء إلى فريقين بحيث تحدث أكبر قدر من المشاحنات بين الفريقين). اختبروا هذا الإعداد 50 مرة تحت ثلاثة مستويات مختلفة من "الضجيج" (لمحاكاة الأخطاء الواقعية الموجودة في الحواسيب الكمية ذات الأيونات المحاصرة والحواسيب فائقة التوصيل).

عندما استخدموا الطريقة القديمة التقليدية (Vanilla Gradient Descent)، نجح الروبوت في إيجيد الحل بنسبة 30% فقط من المرات؛ فقد كان يضيع في الوادي الضبابي كثيرًا. ومع ذلك، عندما انتقلوا إلى طريقة التدرج الطبيعي الكمي الجديدة، ارتفعت نسبة النجاح بشكل هائل لتصل إلى 95%. علاوة على ذلك، لم تكن الطريقة الجديدة تعمل بشكل أكثر تكرارًا فحسب، بل كانت تعمل بشكل أسرع بكثير؛ فقد استغرقت في المتوسط ستة أضعاف أقل من الخطوات للوصول إلى الحل مقارنة بالطريقة القديمة. وعلى الرغم من أن حساب "الخريطة المنحنية" يستغرق وقتًا وجهدًا إضافيين لكل خطوة، إلا أن حقيقة أنها تتطلب خطوات أقل بكlev، جعلت العملية برمتها تنتهي أسرع بنسبة 16% تقريبًا في وقت التنفيذ الفعلي (Wall-clock time).

لماذا يحدث هذا: هندسة المشكلة

توضح الورقة أن الطرق القياسية تفشل لأنها تفترض أن مساحة الحلول الممكنة مسطحة، مثل ورقة من الورق. في هذه الرؤية المسطحة، إذا كانت الإشارة (التدرج) ضئيلة، فإن الروبوت يتخذ خطوة صغيرة وغير مجدية ويتوقف. لكن في الواقع، مساحة الحالة الكمية منحنية، مثل سطح الكرة الأرضية. أحيانًا، يكون الاتجاه الذي يبدو وكأن له إشارة ضئيلة على الخريطة المسطحة، يقابل في الواقع تغييرًا كبيرًا وذا معنى على السطح المنحني. يستخدم QNG ما يسمى "مصفوفة معلومات فيشر الكمية" (Quantum Fisher Information Matrix) لقياس هذا الانحناء. وهي تعمل كبوصلة ذكية تخبر الروبوت: "حتى لو بدت الإشارة ضعيفة هنا، فإذا تحركت في هذا الاتجاه المحدد، فستقوم في الواقع بقفزة كبيرة للأمام".

كما أوضحت الدراسة بعناية استبعاد أسباب أخرى قد تجعل الروبوت يعلق. فقد تأكدوا من أن اللغز لم يكن صعبًا للغاية من حيث التصميم (تجنب الهضاب الناتجة عن القدرة التعبيرية)، وأن الضجيج لم يكن هو الشرير الوحيد. لقد عزلوا "الهضاب القاحلة الناتجة عن الضجيج"، والتي تحدث تحديدًا بسبب الأخطاء التي ترتكبها الحواسيب الكمية الحقيقية. وتظهر النتائج أن QNG بارع بشكل خاص في محاربة هذه الأخطاء الناتجة عن الضجيج، مما يحافظ على مسار التدريب عند يكون العتاد غير مثالي.

ما تقوله الورقة وما لا تدعيه

من المهم ملاحظة ما لا تقوله هذه الورقة. لم يقم المؤلفون بإجراء هذه التجربة على حاسوب كمي فيزيائي في مختبر؛ بل قاموا بمحاكاة العملية بأكملها على حاسوب كلاسيكي باستخدام برامج تحاكي السلوك الكمي. لذلك، بينما تعتبر النتائج واعدة جدًا، إلا أنها تعتمد على عمليات المحاكاة، وليس على عرض فيزيائي على جهاز حقيقي بعد. كما لا تدعي الورقة أن QNG يحل كل المشكلات أو يعمل مع كل أنواع الضجيج؛ فقد ركزت تحديدًا على نظام مكون من 4 كيوبتات وثلاثة نماذج ضجيج محددة.

تجادل الدراسة صراحةً ضد فكرة أن المحسنات القياسية ستكون كافية لمستقبل الحوسبة الكمية. وهي تشير إلى أنه مع بناء آلات أكبر وأكثر ضجيجًا، فمن المرجح أن تفشل الطرق "المسطحة" القديمة بشكل متكرر، وسنحتاج إلى هذه الأدوات المدركة للهندسة مثل QNG لإبقاء الأمور مستمرة. وتختتم الورقة بخارطة طريق للمستقبل، مقترحة أن الخطوة التالية هي اختبار هذه النتائج على أجهزة فيزيائية فعلية لمعرفة ما إذا كانت المحاكاة ستصمد في العالم الحقيقي الفوضوي للفيزياء الكمية. في الوقت الحالي، تقدم المحاكاة أملاً قويًا ومبنيًا على أسس رياضية بأننا نستطيع تعليم روبوتاتنا الكمية المتعثرة كيف تجد طريقها عبر الضباب.