Real-time single-shot qubit-state discrimination on FPGA with a parameter-efficient Trace–IQ fusion network

في السباق لبناء حاسوب كمي عملي، لا يكمن الجزء الأكثر هشاشة في الآلة في المعالج نفسه، بل في اللحظة التي نحاول فيها الاستماع إليه. فالبتات الكمية (qubits) فائقة التوصيل، وهي الدوائر الصغيرة التي تعمل كدماغ هذه الحواسيب، توجد في حالة دقيقة من التراكب، حيث تحمل معلومات تتلاشى إذا تعرضت للاضطراب بشدة. وللقراءة عما يفعله البت الكمي، يقوم العلماء بتوجيه إشارة ميكروويف نحوه والاستماع إلى صدى خافت. يصل هذا الصدى على شكل تدفق من نقاط البيانات، همس ضوضائي يتغير بمرور الوقت. ويتمثل التحدي في اتخاذ قرار، في جزء من الثانية، عما إذا كان البت الكمي في حالته الأرضية أو حالته المثارة. يجب أن يحدث هذا القرار فوراً، بينما لا يزال البت الكمي "حياً"، حتى يتمكن الحاسوب من تصحيح أي أخطاء قبل انتشارها. وإذا كانت عملية الاستماع بطيئة جداً أو خرقاء للغاية، تضيع المعلومات وتفشل العملية الحسابية. ولسنوات، كانت الطريقة القياسية للاستماع هي طريقة بسيطة وجامدة تعامل الإشارة كلقطة ثابتة، متجاهلة التغييرات الطفيفة التي تحدث أثناء تطور الإشارة.

لقد أثبت باحث الآن طريقة أذكى للاستماع، تعمل مباشرة على الأجهزة التي تتحكم في الحاسوب الكمي. فقد طور طريقة جديدة لقراءة هذه الإشارات ليست أكثر دقة فحسب، بل هي أيضاً فعالة للغاية، حيث تتطلب طاقة حوسبة أقل بكثير من المحاولات السابقة. ومن خلال تدريب برنامج حاسوبي صغير ومتخصص للتعرف على الشكل المحدد لتطور الإشارة، حقق مستوى من الدقة يتجاوز المعيار الصناعي الراسخ. وتعد هذه الطفرة مهمة لأنها تثبت أن اتخاذ القرارات المعقدة يمكن أن يحدث في الوقت الفلي، بجوار المعالج الكمي مباشرة، دون إثقال كاهل موارد النظام المحدودة. وقد أظهر الباحث أنه من خلال التركيز على الطريقة المحددة التي تتغير بها الإشارة بمرور الوقت، بدلاً من مجرد قيمتها المتوسطة، استطاع التمييز بين الحالتين بدقة (fidelity) بلغت 0.9962، وهو رقم يمثل احتمالية كون القرار صحيحاً.

يكمن جوهر المشكلة في عيوب العالم المادي. فعند قياس البت الكمي، فإنه لا يبقى دائماً في الحالة التي بدأ فيها؛ إذ يمكنه أن يتلاشى، مسرباً الطاقة ومغيراً هويته في منتصف نافذة القياس. كما يمكنه أيضاً التسرب إلى حالة ثالثة غير مرغوب فيها لا تتوقعها طرق القراءة القياسية. علاوة على ذلك، فإن المعدات نفسها تنزاح قليلاً بمرور الوقت، مما يؤدي إلى إزاحة موقع الإشارة. الطريقة التقليدية، المعروفة باسم "المرشح المتوافق" (matched filter)، تعمل جيداً عندما تكون الإشارة عبارة عن سحابة مثالية وثابتة من نقاط البيانات. ومع ذلك، فهي تفشل عندما تكون الإشارة هدفاً متحركاً يتغير شكله أو موقعه أثناء القياس. فهي تقوم أساساً بحساب متوسط الإشارة بأكملها، مما يؤدي إلى التخلص من المعلومات الحاسمة حول كيفية تغير الإشارة لحظة بلحظة. هذا القصور يعني أن جزءاً كبيراً من الدقة المحتملة كان يُهدر سدى.

ولحل هذه المشكلة، بنى الباحث محاكاة تحاكي الضوضاء والعيوب الواقعية للقياس الكمي، بما في ذلك التلاشي والانزياح. واستخدم هذه المحاكاة لإنشاء مجموعة بيانات ضخمة مكونة من أربعين ألف حدث قياس فردي. ثم اختبر أربع طرق رياضية تقليدية مقابل نهج جديد يعتمد على الشبكات العصبية، وهي أنظمة حاسوبية مصممة لتعلم الأنماط من البيانات. وقد عانت الطرق التقليدية، بما في ذلك المرشح المتوافق القياسي وتقنية التكامل البسيطة، لمواكبة الواقع الفوضوي للمحاكاة؛ حيث حققت مستويات دقة تتراوح بين 0.97 و0.98 تقريباً، مما يعني أنها ارتكبت أخطاء في حوالي حالتين إلى ثلاث حالات من كل مائة.

بعد ذلك، قدم الباحث بنية جديدة أطلق عليها اسم "شبكة دمج تتبع الذروة" (Trace–IQ Fusion Network). تم تصميم هذا النظام بمسارين متميزين يعملان معاً. ينظر أحد المسارين إلى التاريخ الكامل للإشارة، محللاً كيفية تغير شكل الموجة بمرور الوقت لالتقاط حالات التلاشي والتسرب التي تحدث أثناء القياس. أما المسار الآخر، فيقوم ببساطة بحساب الموقع المتوسط للإشارة، وهو ما كانت تعتمد عليه الطرق القديمة. ومن خلال دمج هذين المنظورين، تحصل الشبكة على أفضل ما في العالمين: فهي تعرف الموقع العام ولكنها تفهم أيضاً القصة التي أدت إلى الوصول إليه. وبشكل ملحوظ، حققت هذه الشبكة الجديدة دقة بلغت 0.9962، متفوقة على أفضل طريقة تقليدية بفارق واضح. لقد ارتكبت أخطاء أقل من النهج القياسي، حيث حددت الحالة بشكل صحيح في كل جولة تقريباً.

وما يجعل هذا الاكتشاف قوياً للغاية ليس فقط الدقة، بل الكفاءة القصوى في التصميم. فقد تطلبت الشبكة الجديدة 686 رقماً قابلاً للضبط فقط، أو ما يعرف بالمعلمات (parameters)، لتعلم المهمة. وفي المقابل، احتاجت شبكة عصبية قياسية حققت دقة مماثلة إلى أكثر من سبعة آلاف معلمة. وهذا يعني أن النظام الجديد أكثر كفاءة بنحو عشر مرات، حيث يستخدم جزءاً ضئيلاً من الذاكرة وقوة الحوسبة. وهذه الكفاءة أمر بالغ الأهمية لأن القرار يجب أن يُتخذ على "مصفوفة بوابات منطقية قابلة للبرمجة ميدانياً" (FPGA)، وهي نوع من الرقائق التي توضع بجوار المعالج الكمي وتتمتع بمساحة محدودة جداً للبرمجيات الإضافية. وقد أظهر الباحث أن تصميمه يمكن تقليصه بشكل أكبر، والعمل بفعالية مع أرقام صغيرة جداً، مما يسمح له بالعمل على الأجهزة دون إبطاء بقية النظام.

ولضمان إمكانية بناء هذا التصميم في أجهزة حقيقية، كان على الباحث التغلب على عقبة تقنية محددة. فعند ترجمة تصميم البرمجيات إلى لغة رقائق الأجهزة، غالباً ما تتسبب خطوة شائعة تسمى "التجميع" (pooling) -والتي تعمل على تبسيط البيانات- في جعل الأرقام تتوسع بشكل غير صحيح، مما يؤدي إلى كسر منطق الشبكة. وحل الباحث هذه المشكلة باستبدال خطوة التجميع القياسية بعملية حسابية ثابتة وغير متغيرة تؤدي نفس الوظيفة ولكنها تعمل بشكل صحيح في ترجمة الأجهزة. سمحت هذه التعديلات الصغيرة والذكية بتخليق النظام بأكد في تصميم شريحة عاملة دون فقدان ذكائها المتعلم. وقد تحقق من ذلك عبر تشغيل محاكاة رقمية للشريحة، والتي طابقت نموذج البرمجيات الأصلي بدقة شبه كاملة، مما أكد أن التصميم سيعمل كما هو مخطط له عند بنائه.

تشير النتائج إلى أن مستقبل الحوسبة الكمية يكميد في هذه "المستمعات" الذكية والمدمجة. فمن خلال الابتعاد عن الطرق الجامدة التي تناسب الجميع، وتبني أنظمة يمكنها التكيف مع الطبيعة الفوضوية والمتغيرة للإشارات الكمية، يمكن للعلماء استخراج المزيد من المعلومات من آلاتهم. لقد أثبتت الشبكة الجديدة أنه من الممكن تحقيق قراءات عالية الدقة في الوقت الفعلي، حتى عندما تتلاشى البتات الكمية أو تنزاح. ورغم أن الدراسة أجريت باستخدام محاكاة واقعية للغاية بدلاً من حاسوب كمي فيزيائي، إلا أن النتائج توفر خارطة طريق واضحة للجيل القادم من أنظمة التحكم. إن القدرة على تشغيل مثل هذا المميز (discriminator) المتطور على شريحة صغيرة تعني أن الحواسيب الكمية يمكنها الآن الاستجابة لأخطائها بسرعة وموثوقية أكبر من أي وقت مضى، مما يقرب حلم امتلاك آلة كمية مستقرة واسعة النطاق خطوة أخرى من الواقع.