ربط أطوار المادة بتسطيح منحنى الخسارة في الخوارزميات التباينية الكمّية التناظرية

لماذا يهم هذا لأجهزة الكمّ المستقبلية

مع انتقال الحواسيب الكمّية من تجارب مختبرية إلى أدوات عملية، يظهر تحدٍّ رئيسي: العديد من الخوارزميات الواعدة تصبح من المستحيل تدريبها مع كبر حجم الأجهزة. تستكشف هذه الورقة طريقة مفاجئة لمعالجة المشكلة بالاستعانة بأفكار من فيزياء المادة المكثفة. يوضّح المؤلفون كيف أن «أطوار» مختلفة من المادة الكمّية—طرق تنظيم نظام ذي جسيمات عديدة—يمكن أن تجعل الخوارزميات التباينية الكمّية قابلة للتدريب أو عالقة فعليًا، ويقترحون استراتيجية للحفاظ على قابلية التدريب على الأجهزة الكمّية التناظرية.

تعلّم كمّي يتماشى مع العتاد

تستخدم الخوارزميات التباينية الكمّية جهازًا كمّياً لإعداد حالة قابلة للضبط وحاسوبًا كلاسيكيًا لتعديل المعاملات حتى يتم تصغير كمية مستهدفة، مثل الطاقة أو التكلفة. معظم التصاميم الحالية «رقمية»: تبني حالات من تسلسلات طويلة من البوابات المنطقية. رغم مرونتها، قد تكون هذه الدوائر معبرة بشكل مفرط، تستكشف مناطق شاسعة من فضاء الحالات الكمّية غير الضرورية للمهمة. في الأنظمة الكبيرة يمكن أن يسبب هذا ما يُعرف بمشكلة السهول الخاوية، حيث يصبح منحنى الخسارة شبه مسطح وتختفي المشتقات أُسّيًا مع حجم النظام. بدلًا من تجميع تسلسلات بوابات طويلة، يدرس المؤلفون نهجًا «تناظريًا»: دع سلسلة من اللف-spin الكمّية تتطوّر تحت تفاعلاتها الطبيعية عبر سلسلة من التغيرات الفجائية، أو النَهَضات (quenches)، القابلة للتنفيذ مباشرة على منصات مثل الأيونات المحبوسة، ذرات ريدبيرغ، والدوائر فائقة التوصيل. عبر التحكم في الاضطراب في سلسلة السبين، يمكنهم وضع كل نهضة في أحد طورين مميزين للمادة، طور مُسوّى (مناثل حراريًا) أو طور التوطين متعدد الأجسام، والتحقق كيف يشكّل هذا الاختيار سلوك الخوارزمية.

طوران، منظران تعلّميان مختلفان تمامًا

في الطور المُسوّى، يتصرف النظام بفوضوية: التفاعلات والاضطراب الضعيف تنشر المعلومات والتشابك بسرعة عبر جميع السبينات، دافعةً السلسلة نحو حالات تشبه تلك الناتجة عن عملية كمّية عشوائية كاملة. في طور التوطين متعدد الأجسام (MBL)، يمنع الاضطراب القوي هذا النوع من الخلط. الأنماط المحلية في الحالة الابتدائية تبقى مرئية لأزمنة طويلة جدًا، وينمو التشابك ببطء. يستخدم المؤلفون مقاييس كمية لمدى استكشاف اللغة التخيّلية للخوارزمية لمساحة التحولات الكمّية الممكنة—أي تعبيريتها—ويربطون ذلك بمدى تسطيح منحنى الخسارة. يجدون أن كلا الطورين يصبحان معبرا إلى الحد الأقصى إذا طُبّق عدد كافٍ من النهضات، لكن الطور المُسوّى يصل إلى هذا النطاق أسرع بكثير. ومع ذلك، تنكمش تباين دالة الخسارة، ومن ثم المشتقات اللازمة للتعلّم، أُسّيًا مع عدد الكيوبتات، ما يُشير إلى سهول خاوية. في طور MBL، يحدث المصير ذاته في النهاية، لكن بعد عدد أكبر بكثير من النهضات.

ربط نموّ التشابك بقابلية التدريب

لماذا يؤخر طور MBL ظهور المناظر المسطّحة؟ يعزو المؤلفون ذلك إلى كيفية بناء التشابك. في النطاق المُسوّى، تُنتج كل نهضة قفزة كبيرة في التشابك بين أجزاء سلسلة السبين، ويحاكي النظام بسرعة حالات عشوائية كاملة. هذا الخلط السريع يمحو هيكل منحنى الخسارة، مما يجعل المشتقات صغيرة للغاية. على النقيض، يولّد طور MBL التشابك بشكل أبطأ وأكثر موضعية. رقميًا، يتتبع عدد النهضات المطلوبة لتشبع تباين الخسارة عن كثب العدد اللازم لتشبع التشابك، والفجوة بين الطورين تنمو تقريبا خطيًا مع حجم النظام. هذا يعني أن هناك نافذة واسعة حيث تكون اللغة التخيّلية المبنية على MBL معبرة بالفعل لكنها لم تقع بعد في سهول خاوية، بينما تكون اللغة المبنية على الطور المُسوّى غير قابلة للتدريب.

استراتيجية تهيئة تتجنّب الفشل المبكر

استنادًا إلى هذا الفهم، يقترح المؤلفون قاعدة عملية لإعداد الخوارزميات التباينية التناظرية. اختر عددًا متوسطًا من النهضات وهيّئ النظام في طور MBL: العمق نفسه الذي سيكون عميقًا ومسطحًا جدًا في الطور المُسوّى يبقى قابلاً للتدريب في طور MBL. أثناء التحسين، تكون معلمات التحكم حرة في التحرك بعيدًا عن التوطين الصارم إذا لزم الأمر، مما يتيح الوصول إلى تعبيرية أعلى دون أن تبدأ من منطقة مسطحة. الاختبارات على أمثلة صغيرة لكنها غير تافهة تدعم هذه الصورة. لبعض المسائل التي تتطابق بنيتها عن كثب مع العتاد، يمكن لتهيئة مسطّحة ضحلة في الطور المُسوّى أن تؤدي جيدًا. لكن للمهام الأكثر عمومية، مثل إيجاد حالة الأرض لِسلسلة هايزنبرغ أو حل أمثلة عشوائية من مسألة ماكس-كات، توفر التهيئة المبنية على MBL عند عمق متوسط دقة طاقة أفضل بكثير وحلولًا ذات جودة أعلى، مع تقارب أكثر موثوقية وحالات أقل عالقة في قيعان ضعيفة.

ماذا يعني هذا لتوسيع نطاق الخوارزميات الكمّية

تشير الدراسة إلى أن فيزياء الأطوار الكمّية ليست مجرد عقبة أو فضول، بل أداة لتصميم بنى تعلم كمّية أفضل. عبر ضبط جهاز تناظري إلى نطاق التوطين متعدد الأجسام للتهيئة، يمكن تأخير ظهور السهول الخاوية مع الحفاظ على قدر كافٍ من المرونة لتقريب حالات مركبة لاحقًا أثناء التدريب. يؤكد المؤلفون أن هذا ليس علاجًا سحريًا: قد تظهر السهول الخاوية ومشكلات أخرى مثل القيعان المحلية السيئة، وطريقة العمل هذه عامة إلى حد كبير بالنسبة للمشاكل. ومع ذلك، فهي تقدم إرشادات عملية واعية بالعتاد لبناء خوارزميات تباينية كمّية تناظرية أكثر قابلية للتوسع وتشير إلى برنامج أوسع حيث تساعد مفاهيم مثل التوطين، والبلورات الزمنية، أو الطور الطوبولوجي في تشكيل مناظر التعلم لأجهزة الكمّ المستقبلية.

الاستشهاد: Srimahajariyapong, K., Thanasilp, S. & Chotibut, T. Connecting phases of matter to the flatness of the loss landscape in analog variational quantum algorithms. Commun Phys 9, 111 (2026). https://doi.org/10.1038/s42005-026-02528-4

الكلمات المفتاحية: الخوارزميات التباينية الكمّية, المحاكاة الكمّية التناظرية, توطين متعدد الأجسام, سهول خاوية, التعلّم الآلي الكمّي