محلّل القيم الذاتية التبايني (VQE)
Variational Quantum Eigensolver (VQE)
VQE خوارزمية هجينة كمّية–كلاسيكية تقرّب أدنى طاقة لهاملتونيان بتقليل $\langle\psi(\theta)|H|\psi(\theta)\rangle$ على دارة معاملية؛ وهي استدلالية دون ضمان عام للتفوق.
VQE is a hybrid quantum–classical heuristic that approximates the ground energy of a Hamiltonian by minimizing ⟨ψ(θ)|H|ψ(θ)⟩ over a parameterized circuit.
المسألة
تقدير أدنى قيمة ذاتية $E_0$ لهاملتونيان $H$ (مثل نموذج فيزيائي أو جزيء).
الفكرة الأساسية
المبدأ التبايني: الطاقة المتوقعة لأي حالة حدٌّ أعلى لـ $E_0$؛ دارة معاملية تحضّر الحالة على الجهاز الكمّي، ومُحسِّن كلاسيكي يقلّل الطاقة.
المتطلبات
تفكيك $H$ إلى حدود باولي، Ansatz معبّر وقابل للتدريب، مُحسِّن كلاسيكي، وعدد كبير من القياسات.
الخطوات
- اكتب $H$ مجموعاً من سلاسل باولي.
- اختر Ansatz $U(\theta)$ وقيماً ابتدائية للمعاملات.
- حضّر $|\psi(\theta)\rangle$ وقدّر $E(\theta)$ من قياسات حدود باولي.
- احسب التدرّج (مثلاً بإزاحة المعامل) أو استعمل مُحسِّناً بلا تدرّج.
- حدّث $\theta$ وكرّر حتى التقارب؛ القيمة النهائية حدٌّ أعلى لـ $E_0$.
محلّل القيم الذاتية التبايني (Variational Quantum Eigensolver) خوارزمية هجينة اقترحها Peruzzo وزملاؤه (2014) لتقدير أدنى قيمة ذاتية (الطاقة الأرضية) لهاملتونيان $H$، مع مراعاة قيود الأجهزة الحالية ذات الضجيج والعمق المحدود.
الأساس النظري هو المبدأ التبايني (Variational Principle): لأي حالة مُعايَرة $|\psi\rangle$ يكون $\langle\psi|H|\psi\rangle\ge E_0$. لذلك نختار دارة معاملية (Ansatz) $U(\theta)$ تحضّر $|\psi(\theta)\rangle=U(\theta)|0\rangle$، ونحسب الطاقة $E(\theta)=\langle\psi(\theta)|H|\psi(\theta)\rangle$ على الحاسوب الكمّي، ثم يعدّل مُحسِّن كلاسيكي المعاملات $\theta$ لتقليلها. أفضل قيمة نصل إليها حدٌّ أعلى لـ $E_0$.
كيف تُقاس الطاقة؟ يُكتب $H$ مجموعاً من سلاسل باولي $H=\sum_k c_k P_k$، وتُقدَّر كل $\langle P_k\rangle$ بقياسات متكررة بعد تدوير الأساس المناسب. على جهاز حقيقي تُضاف إلى ذلك أخطاء إحصائية (عدد اللقطات محدود) وأخطاء الضجيج.
في المختبر: الهاملتونيان هو نموذج إيزنغ في مجال عرضي على سلسلة مفتوحة $H=-J\sum_i Z_iZ_{i+1}-h\sum_i X_i$. الـ Ansatz طبقات من $R_Y$ على كل كيوبت تفصل بينها سلسلة CNOT، مع طبقة $R_Y$ أخيرة، أي $n(\text{layers}+1)$ معاملاً. المُحسِّن Adam مع تدرّجات بقاعدة إزاحة المعامل (Parameter-shift)، لـ 150 خطوة افتراضياً. ولأن النظام صغير، يحسب المختبر الطاقة الدقيقة بقطرنة المصفوفة كلاسيكياً (طريقة جاكوبي) ليعرض الخطأ $E(\theta^*)-E_0$. لـ $n=2, J=1, h=0.5$ تكون $E_0=-\sqrt2\approx-1.4142$.
المقارنة الصادقة: VQE خوارزمية استدلالية (Heuristic): لا يوجد ضمان عام بأنها تصل إلى الحالة الأرضية، ولا برهان عام على تفوقها على الطرائق الكلاسيكية. تواجه صعوبات معروفة: الهضاب العقيمة (Barren Plateaus) حيث تتلاشى التدرّجات أسياً مع حجم بعض الدارات (McClean وآخرون 2018)، والقيعان المحلية، والعدد الكبير من القياسات اللازمة لتقدير الطاقة بدقة كيميائية، وتأثير الضجيج. اختيار الـ Ansatz مسألة مفتوحة: الدارات المكيّفة مع العتاد قد تكون معبّرة لكن صعبة التدريب، والدارات المستوحاة من الكيمياء أعمق. انظر مراجعة Cerezo وآخرين (2021).
المحاكاة التفاعلية والنتائج
المقارنة بالحل الكلاسيكي
| كلاسيكياً | القطرنة الدقيقة $O(2^{3n})$؛ وطرائق تقريبية متعددة |
|---|---|
| كمّياً | عمق الـ Ansatz × عدد حدود باولي × عدد اللقطات × عدد خطوات التحسين؛ دون حد عام مضمون |
استدلالية بلا ضمان تقارب إلى الحالة الأرضية ولا برهان عام على التفوق الكمّي. الطرائق الكلاسيكية (القطرنة الدقيقة للأنظمة الصغيرة، وطرائق الشبكات التنسورية وكيمياء الكم التقريبية للأكبر) قوية جداً، والمقارنة يجب أن تكون معها.
الهضاب العقيمة، القيعان المحلية، كلفة القياس، والضجيج. في المختبر تُحسب القيم المتوقعة بدقة من متجه الحالة دون ضجيج اللقطات، فالتقارب أنظف مما يكون على جهاز حقيقي؛ والطاقة الدقيقة متاحة فقط لأن النظام صغير. النجاح هنا لا يدل على تفوق كمّي.
شيفرة Qiskit
# Tested with Qiskit 2.6.2 / qiskit-aer 0.18.4; output shown was produced with: numpy default_rng(7) initial point, COBYLA
import numpy as np
from scipy.optimize import minimize
from qiskit import QuantumCircuit
from qiskit.circuit import ParameterVector
from qiskit.quantum_info import SparsePauliOp
from qiskit.primitives import StatevectorEstimator
n, J, h, layers = 2, 1.0, 0.5, 2
# transverse-field Ising chain: H = -J sum Z_i Z_{i+1} - h sum X_i
H = SparsePauliOp.from_sparse_list(
[("ZZ", [i, i + 1], -J) for i in range(n - 1)] + [("X", [i], -h) for i in range(n)],
num_qubits=n)
theta = ParameterVector("t", n * (layers + 1))
ansatz = QuantumCircuit(n) # RY layer + CX chain, repeated, then a final RY layer
k = 0
for l in range(layers + 1):
for i in range(n):
ansatz.ry(theta[k], i); k += 1
if l < layers:
for i in range(n - 1):
ansatz.cx(i, i + 1)
estimator = StatevectorEstimator()
def energy(x):
return float(estimator.run([(ansatz, H, x)]).result()[0].data.evs)
rng = np.random.default_rng(7)
x0 = rng.uniform(-0.1, 0.1, ansatz.num_parameters)
res = minimize(energy, x0, method="COBYLA", options={"maxiter": 500})
exact = np.linalg.eigvalsh(H.to_matrix()).min()
print("VQE energy :", round(res.fun, 6))
print("exact E0 :", round(exact, 6))
print("error :", f"{res.fun - exact:.2e}")
print("evaluations :", res.nfev)المخرجات الفعلية عند التشغيل
VQE energy : -1.414214 exact E0 : -1.414214 error : 4.73e-09 evaluations : 176
تُشغَّل على جهازك بعد pip install qiskit qiskit-aer؛ لا تُنفَّذ داخل ووردبريس.
اختبر فهمك
يحتاج الاختبار إلى JavaScript.
موضوعات مرتبطة
المراجع
- Alberto Peruzzo et al. (2014). A variational eigenvalue solver on a photonic quantum processor. Nature Communications 5:4213 doi:10.1038/ncomms5213
- M. Cerezo et al. (2021). Variational quantum algorithms. Nature Reviews Physics 3:625–644 doi:10.1038/s42254-021-00348-9
- Jarrod R. McClean; Sergio Boixo; Vadim N. Smelyanskiy; Ryan Babbush; Hartmut Neven (2018). Barren plateaus in quantum neural network training landscapes. Nature Communications 9:4812 doi:10.1038/s41467-018-07090-4
- Diederik P. Kingma; Jimmy Ba (2014). Adam: A Method for Stochastic Optimization. arXiv:1412.6980 doi:10.48550/arXiv.1412.6980
- IBM Quantum (2025). Variational Algorithm Design (course). IBM Quantum Learning quantum.cloud.ibm.com
