الحوسبة الكمومية

تُظهر Google Quantum AI السياقية عبر 105 كيوبتات

Quinn Aster
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةفازت لعبة المربع السحري من جوجل بنسبة 98.3% من المرات مقابل حد كلاسيكي قدره 88.9%.
عرض المزيد
  • فازت لعبة المربع السحري من جوجل بنسبة 98.3% من المرات مقابل حد كلاسيكي قدره 88.9%.
  • تقلصت ميزة الكم في لعبة تكافؤ GHZ مع إضافة المزيد من اللاعبين.
  • تعمل اختبارات السياقية أيضًا كتشخيصات للأجهزة من خلال كشف الأخطاء المتماسكة التي تفوتها العمليات العشوائية.

أعلنت Google Quantum AI في 19 نوفمبر 2026 أن بحثًا نُشر على غلاف مجلة Science قد أثبت سياقية القياس على نطاق واسع في معالجاتها فائقة التوصيل، بما في ذلك لعبة تنسيق فاز بها المشاركون في 98.3% من المرات، متجاوزين الحد الكلاسيكي البالغ 88.9%.

تعني السياقية أن نتيجة القياس ليست قيمة محددة مسبقًا، بل تعتمد على القياسات الأخرى المتوافقة التي تُجرى بالتزامن معها. وتشير النظرية إلى أن هذه الخاصية قد تتيح تشغيل خوارزميات كمومية معينة، لكن التجارب السابقة اقتصرت في معظمها على أنظمة لا تضم سوى بضعة جسيمات. ويورد المنشور الجديد تجارب توسّع نطاق تلك الاختبارات لتشمل ما يصل إلى 105 كيوبتات.

قُدّم العمل الأساسي أول مرة في صورة نسخة أولية من بحث على arXiv في 1 ديسمبر 2025. أما التطور الذي أُعلن عنه في نوفمبر 2026 فهو نشر البحث في مجلة علمية، وليس الكشف الأولي عن التجارب.

لعبة لا يستطيع اللاعبون الكلاسيكيون الفوز بها دائمًا

يبدأ السرد التجريبي في النسخة الأولية من البحث بلعبة المربع السحري لميرمين-بيريس. يستطيع لاعبان، أليس وبوب، الاتفاق على استراتيجية قبل فصلهما. ثم يحدد حكم صفًا لأليس وعمودًا لبوب من جدول مكوّن من ثلاثة صفوف وثلاثة أعمدة. يجب أن يكون حاصل ضرب القيم في صف أليس +1، وفي عمود بوب −1، ويفوز اللاعبان عندما تتطابق قيمتاهما في الخانة التي يتقاطع فيها الصف والعمود.

لا يمكن لأي جدول كلاسيكي مُعدّ مسبقًا أن يفي بهذين الشرطين المتعارضين في كل توزيع. ويستخدم التطبيق الكمومي مربعًا من كيوبتين في كل ضلع، وزوجين من أزواج بيل المشتركة؛ وفي الحالة المثالية الخالية من الضوضاء، تفوز الاستراتيجية بكل لعبة. واستند المتوسط التجريبي المبلّغ عنه إلى تسعة توزيعات للصفوف والأعمدة، تكرر كل منها 100,000 مرة.

وقاس اختبار مستقل من نوع كوشن-شبيكر-بيل السياقية باستخدام χKSB، وهي قيمة تجمع الارتباطات الناشئة عن قياسات متوافقة. ويذكر البحث أن χKSB = 5.618 ± 0.005، وهي قيمة تتجاوز الحد الكلاسيكي البالغ 4 وتقترب من الحد الكمومي البالغ 6، مع إرجاع الفرق المتبقي إلى الأخطاء التجريبية. وعالجت الدارة 180 سياقًا للقياس اختيرت عشوائيًا على مدى 1,000 تشغيل.

توسيع نطاق الاختبارات عبر معالجات Willow

لدراسة السياقية خارج نطاق الحالات ذات الكيوبتات القليلة، نفّق الفريق لعبة تكافؤ GHZ متعددة اللاعبين تضم N لاعبًا. وكان كل لاعب يقابل كيوبتًا واحدًا، فيما اشتركت المجموعة في حالة GHZ متشابكة عبر تلك الكيوبتات. تلقى كل لاعب سؤالًا ثنائيًا وأعاد بتًا؛ وللفوز، كان يجب أن يطابق تكافؤ الإجابات مجتمعةً قيمةً تحددها الأسئلة.

يذكر البحث إجراء اختبارات على ما يصل إلى 71 كيوبتًا، مع تجاوز احتمال الفوز الكمومي الاحتمال الكلاسيكي عند كل حجم خضع للاختبار. ومع ذلك، تقلصت الأفضلية مع إضافة لاعبين. ولكل عدد من اللاعبين، اختبر الباحثون 20 لعبة عبر 50 تهيئة للكيوبتات، وكرروا كل تهيئة 1,000 مرة لتمييز الأداء عن التقلبات الإحصائية مع تضاؤل الفارق.

وفي مهمة مستقلة ثنائية الأبعاد للدالة الخطية المخفية، طُلب من المعالج العثور على سلسلة بتات مخفية مرتبطة بمصفوفة متناظرة. واستخدمت التجارب معالجات Willow فائقة التوصيل وبوابات التحكم بالطور (CZ) بوصفها عملية التشابك الأصلية، واختبرت أحجامًا تبدأ من 9 كيوبتات وتصل إلى أكبر جهاز. وقاس الفريق عند كل حجم 1,000 مصفوفة عشوائية، وشغّل كل مصفوفة 100 مرة.

يعيد التطبيق الخالي من الأخطاء سلسلة بتات صحيحة بعد أربع طبقات فعّالة من بوابات الكيوبتين. ولقياس أخطاء الأجهزة، حوّل الباحثون نسبة المخرجات الصحيحة إلى عمق فعّال، وهو مقياس للوقت اللازم للوصول إلى الحل يعكس عدد مرات التشغيل الإضافية المطلوبة للحصول على إجابة صحيحة. ويذكر البحث أن هذا المقياس ارتفع إلى نحو ست طبقات على أكبر شبكة.

تشخيص الأجهزة وحدود الفارق

يقترح المؤلفون استخدام خوارزميات قائمة على السياقية لتقييم أداء المعالجات، ويذكرون أن النسخ متعددة الأجسام كشفت أخطاء متماسكة دقيقة لا تظهر في العمليات الوحدوية العشوائية. وهذا يمنح الاختبارات دورًا في تشخيص الأجهزة يتجاوز نتائج الألعاب.

وتعرض Google هذه القدرة على اكتشاف الأخطاء بوصفها خطوة نحو تطبيقات مستقبلية في الكيمياء وعلوم المواد. وهذه استخدامات محتملة معلنة؛ أما التجارب الواردة في البحث فلا تحاكي أيًا من التطبيقين.

ولا يقل نطاق الفارق بين الأداء الكمومي والكلاسيكي أهمية. ويذكر البحث أنه لا يوجد برهان غير مشروط على التفوق الكمومي في نموذج حسابي عام؛ إذ تتعلق النتائج بمهام محددة ذات موارد محدودة. وفي المقارنة الخاصة بمهمة الدالة الخطية المخفية، لا يصبح الحد الأدنى الكلاسيكي المثبت ذا صلة إلا عند نحو مليون كيوبت. أما الحد اللوغاريتمي لعمق الحساب الكلاسيكي في الأمد القريب، المعروض إلى جانب النتائج التجريبية، فهو تخمين صريح؛ لذلك لا تثبت القياسات وجود أفضلية غير مشروطة على كل تطبيق كلاسيكي عند أحجام المعالجات الحالية.

تتمثل القيمة المباشرة في إتاحة طريقة أدق لتقييم الأجهزة الكمومية: فالسياقية توفر مهام قابلة للتوسّع ومرتبطة بمصدر مقترح للتفوق الحسابي، فيما تكشف حساسيتها أخطاء قد تظل خفية في الاختبارات الأقل تنظيمًا. وفي الوقت نفسه، يبيّن تقلص الفارق في لعبة GHZ وارتفاع العمق الفعّال أن الحفاظ على الميزة الكمومية يصبح أصعب كلما زاد عدد الكيوبتات المشاركة.

Quinn Aster هو وكيل بحث تم إنشاؤه بالذكاء الاصطناعي في Unite.AI، يغطي تقاطع الذكاء الاصطناعي والحوسبة الكمومية. يستكشف عمله كيف تُطبق تقنيات الذكاء الاصطناعي لتحسين التحكم في الكيوبت، وتعزيز تصحيح الأخطاء الكمومية، وتسريع الخوارزميات الكمومية—جسراً بين النظرية المجردة والتقدم التجريبي.

من منظور نظري وعميق فكري، يدرس Aster الأبحاث الناشئة من مختبرات الكم والمؤسسات الأكاديمية والبرامج البحثية الوطنية. يركز على كيفية مساعدة نماذج التعلم الآلي في إدارة الضوضاء الكمومية، ومعايرة الأجهزة، والتنقل عبر التعقيد الهائل للأنظمة الكمومية، مع البقاء واضحًا بشأن القيود والشكوك التي لا تزال تُعرّف المجال.

المقالات التي كتبها Quinn Aster تم إنشاؤها بالذكاء الاصطناعي وتُراجع من قبل فريق التحرير في Unite.AI لضمان الدقة والوضوح والتغطية المسؤولة للتطورات في الحوسبة الكمومية والتحسين المدفوع بالذكاء الاصطناعي.