TensorHyper-VQC: شبكة فوقية موجهة بسلسلة الموتر لأسلوب متغير متين وقابل للتوسع في الحوسبة الكمومية التباينية

لماذا تهم هذه الفكرة الجديدة للحواسيب الكمومية

تعد الحواسيب الكمومية بتحقيق اختراقات في الكيمياء والمواد وعمليات التحسين، لكن الآلات الحالية صغيرة ومعرضة للضوضاء. استراتيجية رائدة، تُسمى الحوسبة الكمومية التباينية، تسمح بتعاون بين حاسوب كلاسيكي ورقاقة كمومية لحل مسائل صعبة. ومع ذلك، مع زيادة حجم الدوائر تصبح عملية التدريب بطيئة للغاية وهشة أمام الضوضاء. يقدم هذا البحث TensorHyper‑VQC، طريقة جديدة للتحكم في الدوائر الكمومية تحافظ على استقرار التدريب، وتُوسع لتشمل عددًا أكبر من الكيوبِتات، وتقاوم بشكل طبيعي كثيرًا من ضوضاء الأجهزة التي تعاني منها الأجهزة الحالية.

طريقة أذكى لتوجيه الدوائر الكمومية

تقوم الدوائر الكمومية التباينية التقليدية بضبط مئات أو آلاف زوايا البوابات مباشرة على الرقاقة الكمومية. مع تزايد عدد الكيوبِتات وطبقات الدائرة، يمكن أن تتلاشى إشارة التعلم إلى ما يُعرف بـ «الهضبة القاحلة»، حيث تكون المشتقات تقريبًا صفرًا ويتوقف التدريب. يقلب TensorHyper‑VQC هذه الصورة رأسًا على عقب. بدلًا من ضبط بوابة كمومية تلو الأخرى، يدرب نموذجًا كلاسيكيًا مدمجًا، مبنيًا من شبكة سلسلة الموتر (tensor‑train)، ليُولِّد جميع معلمات بوابات الكم. يبقى شكل الدائرة الكمومية ثابتًا وتعمل فقط كمُحسِب أمامي: تستقبل الزوايا من المُولد الكلاسيكي، تعمل مرة واحدة، وتعيد نتائج القياس. يحدث كل التحسين الثقيل على الأجهزة الكلاسيكية، حيث يسهل حساب المشتقات وتكون أقل عرضةً لضوضاء الكم.

كيف تروض البنية التعقيد والضوضاء

جوهر النهج هو شبكة سلسلة الموتر (TT)، التي تمثل قائمة ضخمة من معلمات الدائرة باستخدام سلسلة من الموترات الصغيرة منخفضة الرتبة. تعمل هذه البنية المنظمة كآلية ضغط ذكية: يمكن زيادة تعبيريتها بزيادة رتبها الداخلية، أو جعلها أكثر تماسكًا ومقاومة للضوضاء بالحفاظ على رتب أصغر. لأن كل زاوية بوابة تُنتَج عبر هذه البنية المشتركة منخفضة الرتبة، يتم تعويض التقلبات العشوائية الناتجة عن قياسات الكم طبيعيًا عبر مكونات TT كثيرة. يستخدم المؤلفون أدوات من نظرية نواة الظل العصبي (Neural Tangent Kernel) لإظهار أن هذا التصميم يُحسّن تكيفية مشكلة التعلم، يسرّع التقارب، ويتجنّب أسوأ آثار الهضبة القاحلة. يكشف تحليلهم أيضًا عن مقايضة: رتب أعلى تزيد من القدرة التعبيرية ولكن قد تضر بالتعميم، تمامًا كما يحدث الإفراط في التعلّم في الشبكات العميقة.

وضع الإطار على اختبارات حقيقية

يقيّم الفريق TensorHyper‑VQC على ثلاث مهام مختلفة إلى حد كبير. أولًا، يصنّفون صور مخططات استقرار الشحنة من نقاط الكم الشبه الموصولة، وهي مهمة أساسية لبناء أجهزة كمومية قابلة للتوسع. مع بضعة مئات فقط من معلمات TT القابلة للتدريب، يصل أسلوبهم بسرعة إلى دقة شبه مثالية في المحاكاة النظيفة ويحافظ على دقة الاختبار مرتفعة حتى عند إدخال أنواع متعددة من ضوضاء الكم. لا يتفوق هذا الأسلوب على الدوائر التباينية التقليدية وتصاميم الشبكات الفوقية الأخرى فحسب، بل يتفوق أيضًا على نماذج رؤية كلاسيكية قوية تستخدم عددًا أكبر من المعلمات بكثير. من اللافت أن TensorHyper‑VQC يحافظ على دقة عالية على معالج IBM Heron الذي يحوي 156 كيوبت، بينما تتخلف الطرق التقليدية المزودة بأدوات تخفيف أخطاء متقدمة بفارق كبير.

حل مسائل الرسوم والجزيئات على أجهزة ضوضائية

بعد ذلك، يدمج المؤلفون TensorHyper‑VQC في خوارزمية التقريب الكمومي للمثلى (QAOA) للتعامل مع مشكلة Max‑Cut، وهو تحدٍ كلاسيكي في نظرية الرسوم. على رسوم عشوائية مكوّنة من 20 كيوبت، يعثر نهجهم الموجه بسلسلة TT باستمرار على قطوع أفضل من QAOA التقليدية، حتى عندما تُعزَّز الأخيرة بتقنيات متقدمة لتقليل الضوضاء. ثم ينتقلون إلى الكيمياء الكمومية، مقدّرين طاقة الحالة الأرضية لجزيء هيدريد الليثيوم. مع تسع معلمات TT فقط، يحقّق TensorHyper‑VQC دقة قريبة من قيمة التكوين الكامل المثالية في المحاكاة، متفوقًا على محلل ذاتي تبايني تقليدي يستخدم ما يقرب من ثلاثة أضعاف عدد المعلمات. تحت ضوضاء واقعية وعلى أجهزة IBM الفعلية، يقدّم النموذج الموجه بـTT مجددًا أخطاء طاقة أصغر بكثير، مما يبرز متانته أمام التفكك وعيوب القراءة.

ماذا يعني هذا لمستقبل الحوسبة الكمومية

تشير هذه النتائج مجتمعة إلى وصفة واعدة للحوسبة الكمومية على المدى القريب: حافظ على بساطة وثبات الدوائر الكمومية، ودع نموذجًا كلاسيكيًا مُنظَّمًا يتعلّم كيفية تشغيلها. يبرهن TensorHyper‑VQC أنه من خلال دفع التحسين إلى فضاء كلاسيكي خالٍ من الضوضاء واستخدام بنية موتر منخفضة الرتبة لتنظيم المعلمات، يمكن تدريب دوائر كمومية أعمق وأكبر بمزيد من الاعتمادية، مع عدد أقل من القيم القابلة للضبط وحاجة أقل إلى مخططات تخفيف أخطاء معقّدة. للقراء غير المتخصصين، الرسالة الرئيسية هي أن التحكم الكلاسيكي الأذكى يمكن أن يجعل رقائق الكم غير الكاملة الحالية أكثر فائدة بكثير، مسرّعًا التقدم نحو تطبيقات عملية في مجالات مثل تشخيص الأجهزة، والتحسين التوافقي، وتصميم الجزيئات.

الاستشهاد: Qi, J., Yang, CH.H., Chen, PY. et al. TensorHyper-VQC: a tensor-train-guided hypernetwork for robust and scalable variational quantum computing. npj Quantum Inf 12, 70 (2026). https://doi.org/10.1038/s41534-025-01157-z

الكلمات المفتاحية: الحوسبة الكمومية التباينية, تعلم الآلة الكمومي, شبكات الموترات, مقاومة ضوضاء الكم, التحسين الكمومي