Co-Design of a Quantum Circuit using QGHNN for High Separate Fidelity and Maximum Grover Algorithm Accuracy
تقدم هذه الورقة إطار عمل هجينًا يجمع بين الفيزياء وتعلم الآلة باستخدام الشبكة العصبية الهاميلتونية للرسم البياني الكمي (QGHNN) للتصميم المشترك للدوائر الكمية فائقة التوصيل، محققةً دقة فصل في القراءة تزيد عن 99.4% ودقة تقارب 86% في خوارزمية غروفر، وهي نتائج قابلة للمقارنة مع معالج IBM Q5 Tenerife.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تعد الحواسيب الكمومية بحل مشكلات قد تستغرق الآلات العادية آلاف السنين لإنهائها، لكن بناءها يشبه محاولة موازنة بيت من الورق في وسط إعصار. تعتمد هذه الآلات على وحدات معلومات دقيقة تسمى "الكيوبتات" (qubits)، والتي يمكن أن توجد في حالات متعددة في وقت واحد، مما يسمح لها باستكشاف احتمالات كثيرة في آن واحد. ومع ذلك، فإن هذه الحالة الدقيقة يمكن أن تتحطم بسهولة بسبب الضجيج، أو الحرارة، أو حتى بفعل النظر إليها عن كثب. ولجعل الحاسوب الكمومي مفيداً، يجب على المهندسين تصميم دوائر تحافظ على استقرار هذه الكيوبتات لفترة كافية لإجراء الحسابات، مع القدرة أيضاً على قراءة النتائج بوضوح قبل أن تتلاشى المعلومات. وتكمن المعضلة في أن الإعدادات التي تجعل الكيوبت سهل القراءة غالباً ما تجعل من الصعب إجراء عمليات رياضية معقدة، والإعدادات التي تساعده على الحساب جيداً يمكن أن تجعل الإجابة النهائية غامضة. ويتطلب إيجاد التوازن الصحيح التنقل في مشهد يؤدي فيه تحسين جزء واحد من النظام غالباً إلى الإضرار بجزء آخر.
في دراسة جديدة، طور باحثون في مركز أبحاث التقنيات الكمومية الإيراني ومؤسسات متعاونة طريقة لحل عملية التوازن هذه لنوع معين من الحواسيب الكمومية المبنية من دوائر فائقة التوصيل. لقد أنشأوا إطار عمل هجين يجمع بين قوانين الفيزياء ونوع متخصص من الذكاء الاصطناعي لتصميم نظام مكون من كيوبتين يعمل بشكل أفضل من المحاولات السابقة. وبدلاً من معاملة تصميم الأجهزة وأداء الخوارزمية كمشكلتين منفصلتين، استخدم الفريق شبكة عصبية — وهي برنامج حاسوبي مصمم للتعلم من البيانات — لإيجاد نقطة التشغيل المثالية حيث يتم تعظيم كل من دقة القياس ومعدل نجاح الحساب في آن واحد. ويُظهر عملهم أنه من خلال تدريب هذا النظام على الفيزياء الأساسية للجهاز، يمكنهم تحديد "النقطة المثالية" حيث يقرأ الجهاز حالته بدقة عالية بينما ينفذ خوارزمية بحث شهيرة بنجاح ملحوظ.
ركز الباحثون على إعداد يتكون من كيوبتين فائقين التوصيل متصلين عبر رنان مشترك، وهو مكون يعمل كجسر لتفاعلاتهما. في هذه البيئة، تخضع الكيوبتات لضجيج مستمر وفقدان للطاقة، وهو ما يتم نمذجته باستخدام معادلات تصف كيفية تطور الأنظمة المفتوحة بمرور الوقت. احتاج الفريق إلى ضبط عدة متغيرات فيزيائية، مثل تردد الكيوبتات وقوة اتصالهما بالجسر، لتحقيق هدفين في وقت واحد: جعل قراءة حالة الكيوبت واضحة قدر الإمكان وضمان عمل خوارزمية "بحث غروفر" (Grover search algorithm) — وهي طريقة لإيجاد عنصر محدد في قائمة كبيرة — بشكل صحيح. وتكمن الصعوبة في أن هذين الهدفين غالباً ما يسيران في اتجاهين متعاكسين؛ فدفع النظام ليكون أكثر دقة في حساباته يمكن أن يجعل إشارة القراءة أكثر ضبابية، والعكس صحيح.
وللتنقل في هذا الصراع، استخدم الفريق أداة تسمى "الشبكة العصبية لهاملتون التخطيط الكمومي" (Quantum Graph Hamiltonian Neural Network). وخلافاً للبرامج الحاسوبية القياسية التي تعامل البيانات كصندوق أسود، تم بناء هذه الشبكة لتفهم بنية النظام الفيزيائي، حيث تعامل الكيوبتات واتصالاتها كخريطة من الأجزاء المتفاعلة. قام الباحثون بتوليد مجموعة بيانات ضخمة من خلال محاكاة سلوك النظام الكمومي تحت آلاف الظروف الفيزيائية المختلفة، وتسجيل كيفية تأثير كل تغيير على كل من جودة القراءة ونجاح الخوارزمية. ثم قاموا بتدريب الشبكة العصبية لتعلم العلاقة المعقدة وغير الخطية بين الإعدادات الفيزيائية والنتائج النهائية. وبمجرد أن تعلمت الشبكة هذه الخريطة، أصبح بإمكانها التنبؤ بنتيجة أي إعداد جديد فوراً، دون الحاجة إلى تشغيل عمليات المحاكاة الثقيلة والبطيئة في كل مرة. وقد سمح ذلك للفريق باستخدام طريقة بحث رياضية لتسلق تلة الاحتمالات وإيجاد القمة حيث يكون كل من مقاييس الأداء مرتفعاً.
كانت نتائج نهج التصميم المشترك هذا مذهلة. فقبل عملية التحسين، أظهر النظام فصلاً واضحاً بين الحالات المختلفة للكيوبت، ولكن كان لا يزال هناك بعض التداخل الذي قد يؤدي إلى أخطاء. أما بعد أن وجهت الشبكة العصبية عملية الضبط، فقد أصبح الفصل أكثر حدة، مما دفع دقة القياس لتتجاوز 99.4 في المائة. ورغم أن هذا قد يبدو كقفزة عددية صغيرة، إلا أنه في عالم الحوسبة الكمومية، تمثل هذه الكسر من المائة تقليلاً هائلاً في فرصة الحصول على إجابة خاطئة. والأهم من ذلك، شهد الأداء الخوارزمي طفرة دراماتيكية؛ حيث ارتفع احتمال نجاح خوارزمية بحث غروفر، الذي كان محدوداً بإعدادات الأجهزة الأولية، إلى حوالي 86 في المائة. وهذا المستوى من الدقة يضاهي ما يتم تحقيقه حالياً بواسطة المعالجات الكمومية التجارية الراسخة، مما يشير إلى أن التصميم الجديد قابل للتطبيق في التطبيقات الواقعية.
كما كشفت الدراسة عن مقايضة أساسية يجب على المهندسين إدارتها. فعندما قام الباحثون بتحسين النظام خصيصاً لخوارزمية البحث، وجدوا أن التفاعلات القوية المطل उत् لعمليات حسابية سريعة تميل إلى كبح الاتصالات الكمومية الدقيقة المطلوبة للتشابك (entanglement)، وهو مورد تصبح فيه الكيوبتات مرتبطة بطريقة تتحدى الفيزياء الكلاسيكية. نجحت الشبكة العصبية في إيجاد حل وسط، يحافظ على قدر كافٍ من هذه الروابط الكمومية مع تقديم أداء خوارزمي عالٍ في الوقت ذاته. ولإثبات أن نتائجهم لم تكن مجرد نظريات، استخدم الفريق المعلمات المُحسّنة واستخدموها لتصميم مخطط دائرة فيزيائية باستخدام برامج هندسية احترافية. ثم أجروا محاكاة كهرومغناطيسية على هذا التصميم، مؤكدين أن الأرقام التي أنتجها الذكاء الاصطناعي تترجم مباشرة إلى تكوين عتادي وظيفي وقابل للبناء.
يسلط هذا العمل الضوء على تحول في كيفية بناء الحواسيب الكمومية. فبدلاً من تصميم الأجهزة أولاً ثم محاولة جعل البرمجيات تعمل معها، أو تحسين البرمجيات والأمل في أن تتماشى مع الأجهزة، يقوم هذا النهج بتصميم كليهما معاً. ومن خلال استخدام نموذج تعلم آلي يحترم قوانين الفيزياء، أظهر الباحثون أنه من الممكن إيجاد نقاط تشغيل تلبي متطلبات متعددة ومتضاربة في آن واحد. وتؤكد الدراسة أنه حتى في عالم مليء بالضجيج وغير مثالي، يمكن للتصميم المشترك الدقيق استخراج أداء عالٍ من الدوائر الكمومية، مما يمهد الطريق لماكينات أكثر موثوقية وقوة في المستقبل. إن القدرة على ترجمة هذه الإعدادات المُحسّنة مباشرة إلى أبعاد فيزيائية، مثل طول الأسلاك أو حجم المكثفات، تعني أن الطريق من محاكاة الحاسوب إلى شريحة تعمل حقيقية أصبح أقصر وأكثر مباشرة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.