مسارات العمل الحديثة

غطى هذا المقرر مجموعة واسعة من الطرق للتعامل مع الضوضاء والأخطاء الكمية. تجنبنا عمداً بعض الحلول الصندوق الأسود حتى نرى كيف تعمل هذه الطرق. الآن أصبحنا جاهزين لاستخدام هذه الطرق في أحدث صورها. وعلى وجه التحديد، نستكشف بعض أدوات معالجة الأخطاء المحسّنة بدرجة كبيرة التي تخفي عنا جزءاً من التعقيد. ونستكشف أيضاً Samplomatic والـ addons مثل المخاريط الضوئية المظللة (shaded lightcones، SLC)، التي تمنحنا تحكماً دقيقاً جداً في بعض عمليات التخفيف.

في هذا الفيديو، يقدم الدكتور Chris Porter نظرة عامة على هذه الأدوات الحديثة. نخطط لإضافة أمثلة على مسارات العمل إلى هذا الدرس في وقت لاحق. ومع ذلك، يحتوي هذا الدرس بالفعل على كل المعلومات التي تحتاجها لاستخدام هذه الأدوات واجتياز اختبار الشارة.

نظرة عامة

كشفت primitives الأولى في IBM Quantum، مثل Estimator وSampler، عن تخفيف الأخطاء من خلال عدد قليل من المستويات المسبقة الإعداد. وفرت الإصدارات اللاحقة تحكماً مباشراً أكثر في التقنيات الفردية، بما في ذلك خيارات استراتيجية الاستقراء بالضوضاء الصفرية، وتكوينات Pauli twirling، ومعاملات العشوائية. ومع ذلك، ظلت هذه الإعدادات عامة في معظمها، وتُطبَّق بشكل موحد على الدائرة بأكملها.

مع ازدياد تطور أعباء العمل الكمية، يحتاج المطورون بشكل متزايد إلى القدرة على تكييف استراتيجيات التنفيذ والتخفيف مع مناطق محددة من الدائرة. يوضح المخطط التالي عدة أدوات رئيسية يناقشها هذا الدرس، ويبيّن أين تندرج ضمن مسار عمل نموذجي.

يلبّي نموذج التنفيذ الموجَّه الحاجة إلى تحكم معياري في التنفيذ، ويدمج الكثير من هذه الأدوات.

نموذج التنفيذ الموجَّه

بدلاً من اتخاذ قرارات تنفيذ ضمنية، يتبع نموذج التنفيذ الموجَّه التوجيهات التي يقدمها المستخدم. يحسّن هذا النهج الشفافية ويجعل مسارات العمل المعقدة أسهل في الفحص وتصحيح الأخطاء. ومن أبرز ميزات هذا النموذج:

• إعداد لكل طبقة من خلال مناطق دائرة موسومة

• تحديد الطبقات الفريدة والمتكررة لتعلّم الضوضاء بكفاءة

• مسارات عمل التنفيذ على دفعات

• معالجة لاحقة منظمة

• تكامل وثيق مع الـ addons مثل المخاريط الضوئية المظللة

يُبنى النموذج حول مكونين رئيسيين:

• Samplomatic، الذي يحدد وصفات التنفيذ

• Executor، الذي ينفذ تلك الوصفات ويعيد العينات

يمكن أيضاً تنفيذ معظم مسارات العمل التي تستخدم Executor باستخدام Sampler، لأن كليهما ينتج في النهاية عينات. الميزة الرئيسية لـ Executor هي الكفاءة. فمهام مثل توليد تكوينات twirling تكون غالباً أسرع بكثير في بيئة الوقت القريب من جهة الخادم مقارنة بالعميل. ما زال Estimator وSampler مدعومين، وقد يظلان الخيار الأكثر ملاءمة للعديد من أعباء العمل.

ومع ذلك، قبل التنفيذ يجب عليك بناء دائرة وتجهيزها. يوفر Qiskit عدة addons تساعد في توليد الدوائر ومحاكاتها وتحسينها. لمزيد من المعلومات حول أي من الأدوات التالية، اتبع الروابط.

بناء الدوائر الكمية

في بعض التطبيقات أو الأساليب الجديدة، يجب على المستخدمين تحديد كيفية ربط مسألتهم بدائرة كمية. ومع ذلك، في العديد من المجالات يمكن لـ addons الخاصة بـ Qiskit أتمتة أجزاء مهمة من هذه العملية.

مُخطِّط التحسين

مُخطِّط التحسين يساعد في التعبير عن مسائل التحسين الكلاسيكية بصيغ مناسبة للخوارزميات الكمية. تشمل الوظائف الرئيسية:

• بناء دوال الهدف والقيود

• تحويل المسائل إلى صيغ QUBO

• توليد تمثيلات Hamiltonian أو تمثيلات المؤثرات

مُخطِّط فيرميوني

المُخطِّط الفيرميوني يحوّل المؤثرات الفيرميونية إلى مؤثرات كيوبت مناسبة للعتاد الكمي. يدعم تخطيطات مثل Jordan-Wigner، الذي يحوّل المؤثرات على فيرميونات غير قابلة للتمييز إلى مؤثرات Pauli على كيوبتات قابلة للتمييز، مع الحفاظ على الإحصاءات الفيرميونية. هذا الـ addon مفيد لتطبيقات الكيمياء الكمية وعلم المواد.

يركز الـ addons السابقان على التخطيط الأولي لبنية المسألة إلى دائرة كمية. ومن المهم بالقدر نفسه، مع ذلك، تخطيط التطور الزمني لعملية ما على دائرة كمية بكفاءة، وتحسين الدائرة عن طريق تقليل عمقها. تتناول الـ addons القليلة التالية هذه المهام.

صيغ المنتجات المتعددة (MPF)

صيغ المنتجات المتعددة تحسّن دقة محاكاة التطور الزمني الكمي من خلال الجمع بين عدة تقريبات. وعلى وجه التحديد، تنشئ دوائر بأعداد متفاوتة من خطوات Trotter، بحيث يمكنك استخدام توليفة موزونة من نتائج الدوائر. ولدقة مستهدفة معينة، يمكن لـ MPF غالباً استخدام دوائر أقل عمقاً من طرق Trotter القياسية. والتكلفة هي أنه يجب عليك تشغيل عدة دوائر ودمج نتائجها بشكل كلاسيكي.

AQC-Tensor

AQC-Tensor يجري تجميعاً كمياً تقريبياً باستخدام طرق الشبكات التنسورية. من حالات الاستخدام الشائعة استبدال جزء من دائرة عميقة بتقريب تبايني أقل عمقاً. يمكن للدائرة الناتجة أن تحقق دقة مماثلة بعمق أقل بكثير.

التحويل البرمجي (Transpilation)

لقد استخدمت التحويل البرمجي مرات عديدة في هذا المقرر. وتعلم أنه بعد بناء دائرة مجردة، يجب تجهيزها للتنفيذ على العتاد. ومع ذلك، لم نستكشف بعد المراحل المتعددة للتحويل البرمجي بالتفصيل.

تشمل مراحل التحويل البرمجي الرئيسية:

• التخطيط (Layout): ربط الكيوبتات المنطقية بالكيوبتات الفيزيائية

• الترجمة (Translation): إعادة كتابة العمليات باستخدام مجموعة البوابات الأصلية للـ Backend

• التوجيه (Routing): إدراج عمليات SWAP وتحسينها حسب ما يتطلبه اتصال العتاد

هذه العمليات مترابطة. فمثلاً، ينبغي أن يقلل التخطيط العمق حتى بعد أخذ التوجيه في الاعتبار. كما ينبغي للتخطيط أن يتجنب الكيوبتات والاتصالات الأكثر عرضة للأخطاء. غالباً ما تكون هذه المراحل آلية، لكن المستخدمين المتقدمين قد يختارون تحديد تخطيطات مخصصة أو قيود أخرى عند الحاجة.

لمعرفة المزيد عن التحويل البرمجي، انظر دليل مقدمة إلى التحويل البرمجي.

تحقق من فهمك

انظر إلى الدائرة الكمية التالية، وافترض أنك تحتاج إلى تشغيلها على حاسوب كمي ذي تخطيط heavy-hex، يظهر جزء منه. (أ) اقترح تخطيطاً من أرقام الكيوبتات في الدائرة المجردة إلى أرقام الكيوبتات في الحاسوب الكمي الفيزيائي بحيث يقلل عدد بوابات SWAP المطلوبة. (ب) هل اختيارك فريد، أم قد توجد خيارات أخرى بنفس الجودة؟ (ج) حتى لو كان اختيارك هو التخطيط الأمثل الوحيد لتقليل بوابات SWAP، فما بعض الأسباب التي قد تدفع المُحوِّل (transpiler) إلى اختيار تخطيط مختلف؟

الإجابة

(أ) قد توجد إجابات صحيحة كثيرة، لكن لاحظ أن الكيوبت المجرد 0 فقط لديه بوابات تشابك (ثنائية الكيوبت) مع ثلاثة جيران. أما جميع الكيوبتات الأخرى فتشارك في عمليات ثنائية الكيوبت مع جارين فقط. يمكن ربط هذه الدائرة بطوبولوجيا heavy-hex دون أي بوابات SWAP. أي تخطيط يحقق ذلك مقبول. باستخدام $\text{aq[0]}$ للإشارة إلى الكيوبت المجرد صفر، و$\text{tq[0]}$ للكيوبت المحوَّل صفر، يكون أحد هذه التخطيطات:

$$\begin{aligned} \text{aq[0]} & \rightarrow \text{tq[15],}\\ \text{aq[1]} & \rightarrow \text{tq[16],}\\ \text{aq[2]} & \rightarrow \text{tq[19],}\\ \text{aq[3]} & \rightarrow \text{tq[14],}\\ \text{aq[4]} & \rightarrow \text{tq[17],}\\ \text{aq[5]} & \rightarrow \text{tq[25]} \end{aligned}$$

(ب) هذا التخطيط ليس فريداً. هناك تخطيطات أخرى كثيرة تتجنب بوابات SWAP تماماً. مثال آخر:

$$\begin{aligned} \text{aq[0]} & \rightarrow \text{tq[3],}\\ \text{aq[1]} & \rightarrow \text{tq[4],}\\ \text{aq[2]} & \rightarrow \text{tq[8],}\\ \text{aq[3]} & \rightarrow \text{tq[2],}\\ \text{aq[4]} & \rightarrow \text{tq[5],}\\ \text{aq[5]} & \rightarrow \text{tq[13]} \end{aligned}$$

(ج) أحياناً يكون كيوبت معين أكثر عرضة للأخطاء من معظم الكيوبتات الأخرى على الرقاقة. كما أن بعض الاتصالات بين الكيوبتات أكثر عرضة للأخطاء من غيرها. يحاول المُحوِّل (transpiler) إيجاد تخطيط يتجنب بوابات SWAP غير الضرورية، لكنه يستخدم أيضاً الكيوبتات والاتصالات الأعلى دقة المتاحة على الحاسوب الكمي المحدد.

تقليل تأثيرات الضوضاء والأخطاء

تركز عدة addons خاصة بـ Qiskit تحديداً على تقليل تأثير الضوضاء وعيوب العتاد.

الانتشار العكسي للمؤثرات وتحويلات الدوائر الواعية بالضوضاء

ناقشنا بالفعل انتشار المؤثرات في سياق فحوصات Pauli المتماسكة في تصحيح الأخطاء. ومع ذلك، فإن انتشار المؤثرات مفيد بشكل أعم. هناك طريقتان رئيسيتان لاستخدام انتشار مؤثر عبر دائرة كمية: (1) امتصاص الطبقات الأخيرة القليلة من الدائرة الكمية في المراقبات (observables) التي يتم قياسها، و(2) أخذ التأثيرات المحتملة للأخطاء في الدائرة في الاعتبار، وتعويضها بقياس مراقب مختلف. تستخدم الأداتان التاليتان هذين النهجين.

الانتشار العكسي للمؤثرات

الانتشار العكسي للمؤثرات يقلل عمق الدائرة بامتصاص البوابات من نهاية الدائرة في المراقب المقاس. فمثلاً، لنفترض الدائرة التالية.

تحتوي هذه الدائرة على طبقات دوران وتشابك تبدو غير بديهية، تليها سلّم من بوابات CNOT وقياس لـ Z على الكيوبت 5. عمق هذه الدائرة ثنائي الكيوبت هو 7. هذا العمق هو قبل التحويل البرمجي. عملياً، تطبّق عادة الانتشار العكسي بعد التحويل البرمجي، لكن هذا المثال لأغراض تعليمية فقط. تذكّر أن هناك قواعد لنشر مراقب عبر بوابة. وعلى وجه الخصوص، عندما تكون لبوابة CNOT هدف $q_t$ وتحكم $q_c$، فإن المراقب $Z_t$ على $q_t$ يصبح $Z_c Z_t$ عند نشره للخلف عبر بوابة CNOT: $Z_t \rightarrow Z_c Z_t$. في هذه الدائرة المثال، إذا نشرت المراقب $Z_5$ للخلف عبر سلّم بوابات CNOT بالكامل، تحصل على المراقب $Z_5 Z_4 Z_3 Z_2 Z_1 Z_0$، أو بترميز Qiskit القياسي ببساطة $ZZZZZZ$. إذا قسنا هذا المراقب بدلاً من $Z_5$ فقط، يمكننا إزالة سلّم بوابات CNOT بالكامل، مما يقلل العمق ثنائي الكيوبت من 7 إلى 2. ما زال هذا المراقب يتطلب قياساً في أساس واحد فقط على كل كيوبت، لذا فهو لا يزيد عدد الـ shots التي نحتاجها. وهذا ليس الحال دائماً. عموماً، تتطلب المراقبات الأكثر تعقيداً shots أكثر، وأحياناً قياسات أكثر في أسس مختلفة.

تتضمن الاستراتيجية العامة للانتشار العكسي للمؤثرات الخطوات التالية:

• تقصير الدائرة المنفذة

• استبدال المراقب الأصلي بمراقب موسّع

• مبادلة عمق الدائرة بمتطلبات أخذ عينات متزايدة

الدائرة السابقة مثال واضح يكون فيه الانتشار العكسي مفيداً. لكن بشكل عام، ليس من السهل تحديد الدوائر التي تستفيد أكثر من الانتشار العكسي. لتقرر متى تستخدم الانتشار العكسي، تحقق من مقدار العمق الذي يمكنك إزالته من دائرتك، وقارن هذا التقليل بمتطلبات أخذ العينات المتزايدة.

امتصاص الضوضاء المنتشرة (PNA)

امتصاص الضوضاء المنتشرة مشابه هيكلياً للانتشار العكسي للمؤثرات. لكن بدلاً من نشر مؤثر للخلف عبر البوابات المثالية في الدائرة، يدمج PNA نموذج ضوضاء متعلَّماً وينشر تأثيرات الضوضاء مباشرة في المراقب. يقوم PNA بما يلي:

• يتعلم سلوك الضوضاء من العتاد

• ينشر نموذج الضوضاء عبر الدائرة

• ينتج مراقباً معدّلاً يعوّض عن ضوضاء البوابات

عندما يُقاس المراقب المعدّل على عتاد ضوضائي، تقترب قيم التوقع الناتجة بشكل أفضل من النتيجة المثالية الخالية من الضوضاء. لدى PNA نوعان من الكلفة الإضافية. أولاً، يجب عليك تعلّم نموذج الضوضاء، مما يتطلب تشغيل دوائر إضافية. ثانياً، يمكن أن ينتج PNA مراقبات أكثر تعقيداً، مما قد يزيد متطلبات أخذ العينات.

تقطيع الدوائر

تقطيع الدوائر يقسّم دائرة كبيرة إلى دوائر فرعية أصغر يمكن تشغيلها بشكل مستقل. ثم تجري قياسات كافية لإعادة دمج النتائج. يقوم تقطيع الدوائر بما يلي:

• يقلل متطلبات العتاد

• يتيح إجراء حسابات أكبر من عدد الكيوبتات المتاح (دوائر أعرض)

• يساعد في معالجة قيود العمق والاتصال (دوائر أعمق)

• يعيد بناء النتيجة الأصلية من خلال المعالجة اللاحقة الكلاسيكية

Samplomatic

تكمل الكثير من التقنيات في الأقسام السابقة طرق الكبت والتخفيف الأخرى التي غطاها هذا المقرر، بما في ذلك:

• الفصل الديناميكي (Dynamical decoupling)

• Pauli twirling

• M3

• TREX

• الاستقراء بالضوضاء الصفرية (ZNE)

• إلغاء الأخطاء الاحتمالي (PEC)

في العديد من مسارات العمل، يمكنك تطبيق تقنيات مختلفة على مناطق مختلفة من الدائرة نفسها. وكما رأينا، تأتي الكثير من هذه التقنيات أيضاً مع كلفة كمية إضافية. لذلك نحتاج أحياناً إلى تحكم دقيق ومفصّل في تعلّم الضوضاء وأخذ العينات وتطبيق تسلسلات twirling. هذه بعض الدوافع وراء Samplomatic.

Samplomatic مكتبة مفتوحة المصدر تتيح مسارات عمل مخصصة لأخذ العينات والعشوائية وتخفيف الأخطاء.

مهمتها الأولى هي تحليل دائرة وتقسيمها إلى مناطق موسومة، أو صناديق. تخدم هذه الصناديق غرضين:

• تقسم الدائرة بصرياً.

• تنشئ مناطق مفهرسة يمكن إعدادها بشكل مستقل.

يمكن للمستخدمين إرفاق تعليقات توضيحية تصف كيفية معاملة كل صندوق أثناء التنفيذ. تشمل الأمثلة:

• تطبيق Pauli twirling على جميع الصناديق

• تطبيق التفتيل (twirling) على صناديق مختارة فقط

• استخدام مجموعات تفتيل مختلفة في مناطق مختلفة

• حقن الضوضاء المُتعلَّمة في طبقات محددة

• تخصيص استراتيجيات التخفيف بدقة عالية

يحدد Samplomatic أيضًا المناطق المُصنَّدقة المتكررة. ولأن الطبقات المتطابقة تُظهر عادةً خصائص ضوضاء متشابهة، فأنت تحتاج إلى تعلّم الضوضاء مرة واحدة فقط لكل طبقة فريدة.

مخرجات Samplomatic

ينتج Samplomatic كائنين أساسيين:

• دارة القالب

• Samplex

دارة القالب هي دارة مُصنَّدقة ومُحوَّلة ومُعلَّمة بمعاملات وجاهزة للتنفيذ. يحتوي الـ samplex على كل المعلومات اللازمة لتوليد متغيرات الدارة ومعالجتها. تشمل محتويات الـ samplex ما يلي:

• قيم المعاملات للدارات ذات المعاملات

• اختيارات العشوائية

• توزيعات أخذ العينات

• معلومات المعالجة اللاحقة

• بيانات وصفية إضافية للتنفيذ

من الناحية الصورية، الـ samplex هو توزيع احتمالي على معاملات دارة القالب، مع معلومات مساعدة لازمة للتنفيذ والمعالجة اللاحقة. ومن المزايا العملية المهمة أن دارة القالب والـ samplex يُنشآن محليًا على جانب العميل. ونتيجة لذلك، يمكنك فحصهما والتحقق منهما وتصحيح أخطائهما قبل استخدام أي موارد عتادية.

لدى Samplomatic فوائد كثيرة، منها التحكم الدقيق في توزيع اللقطات التكيفي والعشوائية. وله أيضًا فوائد لوجستية، مثل مسارات عمل المعالجة اللاحقة المنظمة. ومن أهم فوائده إعادة استخدام معلومات الضوضاء المُتعلَّمة عبر الطبقات المتطابقة، مما قد يوفر قدرًا كبيرًا من وقت الحوسبة الكمّية أثناء تعلّم الضوضاء.

الأقماع الضوئية المظللة

قبل أن تقرر أين تطبّق تقنيات التخفيف المكلفة، من المفيد تحديد مناطق الدارة الأهم بالنسبة للمُلاحَظ الذي يجري قياسه. وهذه الحاجة هي ما يدفع إلى إضافة الأقماع الضوئية المظللة. تأتي فكرة المخروط الضوئي من النسبية، حيث تقيّد السرعة المحدودة لانتقال المعلومات العلاقات السببية.

ينطبق مفهوم مشابه على الدارات الكمّية.

لنفترض دارة كبيرة لا يهمنا فيها سوى مُلاحَظ منخفض الوزن. المُلاحَظ منخفض الوزن يؤثر بشكل غير بديهي على عدد قليل فقط من الكيوبتات. وتهمّنا المُلاحَظات منخفضة الوزن لأسباب كثيرة. فعلى سبيل المثال، يمكن أن تمثّل ما يلي:

• حدودًا منفردة ضمن هاملتونيان أكبر

• منطقة تفاعل موضعية

• معلومات مجمّعة على مجموعة صغيرة من الكيوبتات المساعدة (ancilla)

• مُلاحَظات أخرى لا تشمل سوى عدد قليل من الكيوبتات

ليس كل خطأ في الدارة يمكن أن يؤثر على نتيجة القياس. وهذا صحيح خصوصًا لأخطاء باولي، أو أي خطأ يمكن نمذجته كمجموعة من عمليات باولي. على سبيل المثال، انظر إلى الدارة التالية:

لا يمكن لخطأ باولي على الكيوبت 0 في الطبقة الأخيرة أن يؤثر على القياس على الكيوبت 6، لأنه لا توجد بوابة تربط بينهما يمكنها نشر الخطأ من الكيوبت 0 إلى الكيوبت 6. لاحظ أن هذه الحجة لا تنطبق على بعض الأخطاء غير الأحادية. فمثلًا، انتقال شبيه بـ T1 إلى الحالة الأرضية على الكيوبت 0 يُسقط الكيوبت 0 إلى حالة من الأساس الحسابي. وإذا كان الكيوبتان 0 و6 متشابكين سابقًا (كما في هذه الدارة)، فيمكن للخطأ غير الأحادي على الكيوبت 0 أن يؤثر على الكيوبت 6. يركز النقاش التالي على الأخطاء التي يمكن تمثيلها كعمليات باولي، أو كخلائط احتمالية من عمليات باولي.

في الطبقة الأخيرة، لا يمكن إلا لخطأ باولي على الكيوبت 5 أو الكيوبت 6 أن يؤثر مباشرة على القياس على الكيوبت 6.

في طبقة التشابك التي تسبقها، يتشابك الكيوبتان 5 و6 مع الكيوبتين 4 و7 على التوالي. لذلك، في طبقة التشابك تلك أو قبلها مباشرة، يمكن لخطأ باولي على أي من هذه الكيوبتات الأربعة أن يؤثر على القياس اللاحق. يمكنك مواصلة التتبع إلى الوراء عبر الدارة لإيجاد مجموعة البوابات والكيوبتات المرتبطة سببيًا بالقياس. تشكّل هذه المجموعة السببية منطقة على شكل مخروط في المكان (الكيوبتات) والزمن (الطبقات)، وهذا ما يفسّر مصطلح المخروط الضوئي. يختلف الشكل الدقيق للمنطقة من دارة إلى أخرى. ولأن هذا التحليل يعتمد على اتصالية العتاد وموضع البوابات، فهو أكثر فائدة بعد التحويل (transpilation) والتوجيه وتحسين التخطيط.

ما بعد الاتصالية السببية

توسّع الأقماع الضوئية المظللة هذه الفكرة بأن تأخذ في الاعتبار أيضًا أي أنواع الأخطاء مهمة.

على سبيل المثال، لاحظ ما يلي:

• خطأ Z قبل قياس في أساس Z مباشرة لا يؤثر على نتيجة القياس.

• خطأ X قبل قياس في أساس Z مباشرة قد يغيّر النتيجة بشكل كبير.

لذلك تستحق بعض أنواع الأخطاء جهد تخفيف أكبر من غيرها. ويمكن لهذا التمييز أن يقلل كثيرًا من كلفة تقنيات مثل PEC. عمليًا، تولّد الإضافة تحليلات حساسية منفصلة لكل نوع من أنواع الأخطاء التالية:

• X errors

• Z errors

• أخطاء Y (أو XZ حتى طور معين)

تبدو حساسية الأخطاء هذه مختلفة عمومًا لكل نوع خطأ، لأن الأخطاء المرتبطة سببيًا المختلفة لها تأثيرات مختلفة على القياس. لاحظ أيضًا أن الحساسية تتغير عبر الدارة. فقد يكون خطأ X قبل القياس مباشرة مدمّرًا للغاية، بينما قد يكون لخطأ يحدث قبله بطبقات كثيرة تأثير أصغر بعد انتشاره عبر حالة شديدة التشابك.

تقيس الأقماع الضوئية المظللة هذا الاختلاف كميًا بإسناد قيمة حساسية للأخطاء المحتملة عبر الدارة.

تشير الخرائط الناتجة إلى ما يلي:

• أين تهمّ الأخطاء

• أي أنواع الأخطاء تهمّ

• مدى قوة تأثيرها على المُلاحَظ النهائي

لا تخفّف الأقماع الضوئية المظللة الأخطاء بنفسها، لكنها تساعد على تركيز جهد التخفيف حيث يحقق أكبر فائدة.

تعلّم الضوضاء وحقنها

بعد بناء الدارة وتحسينها وإضافة التعليقات التوضيحية إليها، تبقى مهمتان متكاملتان: تعلّم الضوضاء، واستخدام نموذج الضوضاء (على سبيل المثال، لحقن الضوضاء أو لنشر آثارها).

NoiseLearnerV3

NoiseLearnerV3 هو الأداة الحالية لتعلّم الضوضاء. كانت واجهة NoiseLearner السابقة تقبل دارات كاملة وتنتج نماذج ضوضاء باولي-ليندبلاد. أما NoiseLearnerV3 فيعمل مباشرة على تعليمات الدارة المُصنَّدقة. باختصار، يقوم NoiseLearnerV3 بما يلي:

• يقبل مجموعات من طبقات الدارة الموسومة

• يعيد استخدام المعلومات من الطبقات المتكررة

• يدعم تعلّم ضوضاء القياس

• يدعم المعالجة اللاحقة للنماذج المُتعلَّمة

• يتيح مسارات عمل حقن الضوضاء وتحجيمها

يتماشى هذا التصميم بشكل وثيق مع مسار العمل الموجّه بالطبقات في Samplomatic. وعلى وجه الخصوص، يستخدم NoiseLearnerV3 الطرق التالية لكل مجموعة تعليمات:

• تعلّم باولي-ليندبلاد لعمليات البوابات

• تعلّم قائم على TREX للقياسات

يمكنك بعد ذلك استخدام نموذج ضوضاء مُتعلَّم في كثير من الطرق التي غطيناها بالفعل. فعلى سبيل المثال، تذكّر أن الاستقراء إلى الضوضاء الصفرية (ZNE) مع طيّ البوابات قد يؤدي إلى دارات عميقة يتعذر التعامل معها. وكانت الطريقة البديلة لتحجيم الضوضاء في تلك الحالة هي أخذ عينات من نموذج ضوضاء معروف، مما يزيد مستوى الضوضاء فعليًا، حتى بعوامل غير صحيحة. وهذه الطريقة، تضخيم الخطأ الاحتمالي (PEA)، مثال جيد على كيفية استخدام نموذج الضوضاء لتخفيف الأخطاء. كما يلزم نموذج ضوضاء جيد لإلغاء الخطأ الاحتمالي (PEC) وامتصاص الضوضاء المنتشرة (PNA).

باختصار، مع نموذج ضوضاء عالي الجودة، تصبح الضوضاء مورد قابلًا للبرمجة بدلًا من أن تكون مجرد مصدر للخطأ.

الأقماع الضوئية المظللة مقابل NoiseLearnerV3

NoiseLearnerV3 وSLC مرتبطان ارتباطًا وثيقًا، لكن لكل منهما مدخلات مختلفة ويجيب عن أسئلة مختلفة. يحدد SLC أين يجب تركيز جهد التخفيف. أما NoiseLearnerV3 فيصف الضوضاء الفعلية الموجودة في تلك المناطق. كما تنطوي هذه العمليات على أنواع مختلفة من الكلفة. يلخص الجدول التالي هذه الفروق.

	الأقماع الضوئية المظللة	NoiseLearnerV3
الغرض	يحدد أين يهم التخفيف	يتعلّم كيف تتصرف الأخطاء
الكلفة	كلفة كلاسيكية في الأساس	يتطلب تنفيذات على العتاد
المخرجات	ينتج خرائط حساسية	ينتج أوصافًا لقنوات الضوضاء
المدخلات	يستخدم بنية الدارة وانتشار المؤثرات	يستخدم بنية الدارة وبيانات عتاد تجريبية

Executor والتنفيذ في وقت التشغيل

يؤدي Executor خطوة التنفيذ النهائية. ويمكنه العمل على أي من المدخلات التالية:

• دارة قالب وsamplex مولَّدين بواسطة Samplomatic

• دارة كمّية تقليدية بدون Samplomatic

بفضل هذه المرونة، يمكنك اعتماد أي عدد تحتاجه من مكوّنات مسار عمل التنفيذ الموجّه، قليلًا كان أو كثيرًا.

يعمل Executor بشكل وثيق مع Samplomatic، الذي يدير اختيارات العشوائية وتوزيع اللقطات واختيارات حقن الضوضاء والبيانات الوصفية ذات الصلة بالتنفيذ، كما وُصف سابقًا.

للاطلاع على أمثلة عملية لنموذج التنفيذ الموجّه، راجع دليل نموذج التنفيذ الموجّه بالإضافة إلى الدروس التعليمية ووثائق إضافات Qiskit على IBM Quantum® Platform.

الخلاصة

تعتمد مسارات العمل الكمّية الحديثة بشكل متزايد على مجموعة من الأدوات المتكاملة بدلًا من أداة تنفيذ أولية واحدة.

تدعم هذه الأدوات كل مرحلة من مراحل مسار العمل:

• ربط المسألة بالدارة

• بناء الدارة

• التحويل (transpilation) والتحسين

• كبت الأخطاء

• تخفيف الأخطاء

• تعلّم الضوضاء

• التنفيذ المنظم

• المعالجة اللاحقة

معًا، توفر أدوات مثل Samplomatic وExecutor وNoiseLearnerV3 والأقماع الضوئية المظللة وامتصاص الضوضاء المنتشرة وقص الدارات وAQC-Tensor تحكمًا أكبر بكثير من نماذج التنفيذ السابقة.

يواصل هذا المجال التطور بسرعة. ومع ازدياد حجم المعالجات الكمّية واتصاليتها، يُرجَّح أن تؤدي هذه التقنيات دورًا متزايد الأهمية في تحقيق ميزة كمّية مفيدة، وفي نهاية المطاف في التكامل السلس مع مسارات عمل الحوسبة الكمّية المقاومة للأخطاء.