Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

TensorHyper-VQC: רשת-על מונחית שרשרת-טנסור למחשוב קוונטי ואריטציוני חסין ומדרגי

· חזרה לאינדקס

מדוע הרעיון החדש הזה למחשבים קוונטיים חשוב

מחשבים קוונטיים מבטיחים פריצות דרך בכימיה, בחומרים ובאופטימיזציה, אך המכשירים של היום הם קטנים ורועשים. אסטרטגיה מובילה, שנקראת מחשוב קוונטי ואריאציותי, מאפשרת למחשב קלאסי ולשבב קוונטי לעבוד יחד כדי לפתור בעיות קשות. עם זאת, כאשר המעגלים מתרחבים, האימון של המערכות ההיברדיות האלה לעתים קרובות נעצר והופך לפגיע מאוד לרעש. המאמר מציג את TensorHyper‑VQC, שיטה חדשה לשליטה במעגלים קוונטיים השומרת על יציבות האימון, מדרגת ליותר קיוביטים ובאופן טבעי מפחיתה חלק ניכר מהרעש החומרתי שמטריד את המכשירים הנוכחיים.

דרך חכמה יותר לנווט במעגלים קוונטיים

מעגלים ואריאציותיים מסורתיים מתאימים ישירות מאות או אלפי זוויות שערים על השבב הקוונטי עצמו. ככל שמספר הקיוביטים ושכבות המעגל גדלים, אות הלמידה עלול לדעוך לתוך מה שמכונה "מישור שומם" (barren plateau), שבו הגרדיאנטים שואפים לאפס והאימון נעצר. TensorHyper‑VQC הופך את התמונה על פיה. במקום לכוונן שערים קוונטיים אחד־אחד, הוא מאמן מודל קלאסי קומפקטי, מבוסס על רשת שרשרת‑טנסור (tensor‑train), כדי לייצר את כל פרמטרי השערים הקוונטיים. צורת המעגל הקוונטי נשארת קבועה ומשמשת רק כמחשבון קדמי: הוא מקבל זוויות מהגנרטור הקלאסי, מריץ פעם אחת ומחזיר תוצאות מדידה. כל האופטימיזציה הכבדה מתבצעת בחומרה קלאסית, שם חישוב גרדיאנטים קל יותר ופחות חשוף לרעש קוונטי.

Figure 1
Figure 1.

כיצד מבנה מתמודד עם מורכבות ורעש

הליבה של הגישה היא רשת שרשרת‑טנסור (TT), שמייצגת רשימה עצומה של פרמטרי מעגל באמצעות שרשרת של טנסורים קטנים בעלי דרגה נמוכה. ייצוג מבני זה פועל כמו שיטת דחיסה חכמה: ניתן להפוך אותו לביטוי יותר על ידי הגדלת הדרגות הפנימיות, או ליותר קומפקטי ועמיד לרעש על ידי שמירתן קטנות. מכיוון שכל זווית שער מיוצרת דרך מבנה משותף זה בעל דרגה נמוכה, תנודות אקראיות מתוצאת מדידות קוונטיות ממוצעות באופן טבעי על פני רכיבי ה‑TT הרבים. המחברים משתמשים בכלים מתוך תורת Kernel הטנגנט הנוירלי (Neural Tangent Kernel) כדי להראות שעיצוב זה משפר את התנאים של בעיית הלמידה, מזרז התכנסות וממנע את ההשפעות הגרועות של מישורי השממה. הניתוח שלהם גם מעלה פשרה: דרגות גבוהות מגדילות את יכולת הביטוי אך עשויות לפגוע ביכולת ההכללה, בדומה לעודף התאמה בלמידה עמוקה.

Figure 2
Figure 2.

בדיקות מעשיות של המסגרת

הצוות מבצע השוואות ביצועים ל‑TensorHyper‑VQC על שלוש משימות שונות למדי. ראשית, הם מסווגים תמונות של דיאגרמות יציבות מטען מנקודות קוונטיות חצי‑מוליכות, שהן חיוניות לבניית חומרה קוונטית מדרגת-קנה־מידה. עם רק כמה מאות פרמטרי TT הניתנים לאימון, השיטה שלהם מגיעה במהירות לדיוק כמעט מושלם בסימולציות נקיות ושומרת על דיוק מבחן גבוה גם כאשר מוזרקים מספר סוגי רעש קוונטי. היא לא רק גוברת על מעגלים ואריאציותיים סטנדרטיים ועיצובים אחרים של רשתות‑על, אלא גם מנצחת מודלים חזקים קלאסיים לראייה שמשתמשים בהרבה יותר פרמטרים. באופן מרשים, TensorHyper‑VQC שומרת על דיוק גבוה על מעבד IBM Heron בן 156 קיוביטים, בעוד ששיטות רגילות עם כלים מתוחכמים להקטנת שגיאות נשארות מאחור.

פתרון גרפים ומולקולות על מכשירים רועשים

לאחר מכן, המחברים משבצים את TensorHyper‑VQC בתוך אלגוריתם האופטימיזציה הקירובית הקוונטית (QAOA) לטיפול בבעיה Max‑Cut, אתגר קלאסי בתורת הגרפים. על גרפים אקראיים של 20 קיוביטים, הגישה המונחית ב‑TT מוצאת בקביעות חיתוכים טובים יותר מאשר QAOA סטנדרטי, אפילו כאשר זה האחרון מחוזק בטכניקות מתקדמות להפחתת רעש. הם פונים גם לכימיה קוונטית, ומעריכים את אנרגיית המצבים הבסיסיים של מולקולת ליתיום‑הידריד. עם רק תשעת פרמטרי TT, TensorHyper‑VQC משיגה דיוק הקרוב לערך האידיאלי של אינטראקציית התצורות המלאה בסימולציות, ומתעלה על פתרון ואריאציוני קונבנציונלי המשתמש בכמעט פי שלושה פרמטרים. בתנאי רעש מציאותיים ובחומרת IBM אמיתית, המודל המונחה ב‑TT שוב מפיק שגיאות אנרגיה קטנות בהרבה, ומדגיש את עמידותו מול דעיכה ופגמים בקריאת תוצאות.

מה משמעות הדבר לעתיד המחשוב הקוונטי

לסיכום, התוצאות הללו מציעות מתכון מבטיח למחשוב קוונטי בטווח הקרוב: שמרו על מעגלים קוונטיים פשוטים וקבועים, ותנו למודל קלאסי מובנה בקפידה ללמוד כיצד להניעם. TensorHyper‑VQC מראה שדחיפת האופטימיזציה לחלל קלאסי ללא רעש ושימוש במבנה טנסורי בעל דרגה נמוכה לארגון הפרמטרים מאפשרים לאמן מעגלים קוונטיים עמוקים וגדולים יותר באופן אמין יותר, עם פחות פרמטרים להתאמה ופחות צורך בסכימות מורכבות להפחתת שגיאות. עבור קוראים שאינם מומחים, המסר המרכזי הוא כי שליטה קלאסית חכמה יכולה להפוך את שבבי הקוונטיים הבלתי־מושלמים של היום לשימושיים הרבה יותר, ולהאיץ התקדמות לעבר יישומים מעשיים בתחומים כגון אבחון מכשירים, אופטימיזציה קומביאטוריאלית ועיצוב מולקולרי.

ציטוט: 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

מילות מפתח: מחשוב קוונטי ואריטציוני, למידת מכונה קוונטית, רשתות טנסור, עמידות לרעש קוונטי, אופטימיזציה קוונטית