24/08/2026
كيف نقيس «الخمول» في المشي الكمومي؟
عندما نتحدث عن المشي الكمومي (Quantum Walk)، قد يبدو الأمر وكأن جسيمًا كموميًا ينتقل ببساطة من نقطة إلى أخرى على شبكة. لكن الصورة أكثر تعقيدًا؛ ففي النظام الكمومي يمكن للحالة أن تتطور في عدة مسارات في الوقت نفسه، وتتداخل هذه المسارات بطريقة تجعل سلوك المشي مختلفًا جذريًا عن المشي العشوائي التقليدي. ولهذا السبب تُعد المشايات الكمومية نموذجًا مهمًا في دراسة الحوسبة والخوارزميات الكمومية.
لفهم هذا السلوك، يمكن تمثيل الشبكة على شكل رسم بياني (Graph)، حيث تمثل الرؤوس مواقع المشي، وتمثل الحواف الاتصالات بينها. في المشي الكمومي المستمر زمنيًا (Continuous-Time Quantum Walk)، توصف ديناميكا النظام باستخدام مصفوفة لابلاسيان (Laplacian Matrix) للرسم البياني. وإذا بدأ المشي عند رأس معين، فإن مصفوفة التطور الكمومي تحدد احتمال العثور عليه عند أي رأس آخر مع مرور الزمن. رياضيًا، تكون مصفوفة التطور:
U(t) = exp(itL)
ومنها يمكن حساب احتمالات وجود الحالة الكمومية في مختلف مواقع الشبكة.
لكن تظهر هنا مشكلة أساسية: توزيع الاحتمالات لا يستقر عادةً إلى مصفوفة ثابتة عندما يزداد الزمن إلى ما لا نهاية. لذلك نحتاج إلى طريقة تلخص السلوك طويل المدى بدلًا من النظر إلى لحظة زمنية واحدة. ولهذا يُستخدم المتوسط الزمني طويل المدى، الذي يقود إلى ما يسمى مصفوفة المزج المتوسطة (Average Mixing Matrix). وهي ناتج أخذ متوسط توزيع الاحتمالات على فترة زمنية تزداد بلا حدود.
وهنا يظهر مفهوم الخمول (Laziness). والخمول لا يعني أن المشي الكمومي يتوقف عن الحركة، بل هو مقياس رياضي لميل المشي إلى العودة إلى نقطة البداية على المدى الطويل. ويُقاس هذا المقياس من خلال أثر (Trace) مصفوفة المزج المتوسطة. وبصورة مبسطة، كلما ارتفعت قيمة الأثر، كان المشي أكثر ميلًا إلى العودة إلى موضع الانطلاق في المتوسط طويل المدى.
ومن المثير للاهتمام أن قيمة الخمول لا تعتمد فقط على عدد الرؤوس في الشبكة، بل تعتمد بقوة على كيفية اتصال هذه الرؤوس ببعضها. وهذا يقود إلى السؤال الأساسي: إذا كانت لدينا رسوم بيانية تحتوي جميعها على العدد نفسه من الرؤوس، فأي بنية تجعل المشي الكمومي أكثر خمولًا؟
النتيجة المعروفة هي أن الرسم البياني الكامل (Complete Graph) Kₙ هو أكثر الرسوم البيانية المتصلة خمولًا عند تثبيت عدد الرؤوس n. في هذا الرسم، كل رأس متصل بجميع الرؤوس الأخرى، وتبلغ قيمة الخمول:
tr(Kₙ) = n − 2 + 2/n
وهذا يعني أن الاتصال الكامل بين جميع النقاط يؤدي إلى أعلى قيمة لهذا المقياس بين الرسوم البيانية المتصلة التي تحتوي على العدد نفسه من الرؤوس.
لكن ماذا يحدث عندما نحذف بعض هذه الاتصالات؟ النتيجة التالية هي أن الرسم النجمي (Star Graph) Sₙ يصبح ثاني أكثر الرسوم البيانية المتصلة خمولًا، وهو في الوقت نفسه أكثر الأشجار خمولًا عند تثبيت عدد الرؤوس. في الرسم النجمي توجد عقدة مركزية واحدة ترتبط بعدد كبير من العقد الطرفية، وتؤكد النتائج أن هذه البنية تتمتع بدرجة عالية جدًا من الخمول مقارنة ببقية الرسوم البيانية المتصلة.
بعد ذلك نصل إلى بنية أكثر إثارة للاهتمام: الشجرة النجمية المزدوجة (Double Star). تتكون هذه الشجرة من رأسين مركزيين متصلين ببعضهما، وتتوزع حولهما مجموعة من الرؤوس الطرفية. ويمكن وصفها بالرمز DS(ℓ,r)، حيث تمثل ℓ وr عدد الأوراق المرتبطة بكل رأس مركزي.
وهنا تظهر علاقة واضحة بين تناظر البنية والخمول. عندما تكون أعداد الأوراق على جانبي الشجرة متقاربة، تكون البنية أكثر توازنًا. أما عندما تتركز معظم الأوراق في أحد الجانبين ويصبح الجانب الآخر صغيرًا جدًا، تصبح الشجرة أكثر عدم توازن (Unbalanced). وتبين النتائج أن زيادة عدم التوازن تجعل الشجرة المزدوجة أكثر خمولًا. أي أن تغيير توزيع الاتصالات، دون تغيير عدد الرؤوس، يمكن أن يرفع قيمة الخمول.
ومن بين جميع الأشجار التي تحتوي على n رأسًا، تظهر النتيجة الأهم: الشجرة النجمية Sₙ هي الأكثر خمولًا، بينما تأتي الشجرة المزدوجة الأكثر عدم توازنًا DS(n−3,1) في المرتبة الثانية. كما أن هذه النتيجة حادة؛ فإذا كانت شجرة ما ليست نجمية، فإن خمولها لا يتجاوز خمول DS(n−3,1)، ولا تتحقق المساواة إلا عندما تكون الشجرة نفسها من هذا الشكل.
ولا يتوقف الترتيب عند الأشجار. فعند النظر إلى جميع الرسوم البيانية المتصلة ذات العدد نفسه من الرؤوس، نجد بعد الرسم الكامل والرسم النجمي أن الرسم البياني الكامل متعدد الأجزاء Kₙ₋₂,₁,₁ يأتي في المرتبة الثالثة من حيث الخمول.
لكن كيف يمكن الوصول إلى هذه النتائج رياضيًا؟ المفتاح هو التحليل الطيفي (Spectral Analysis) لمصفوفة لابلاسيان. فالقيم الذاتية لمصفوفة لابلاسيان والمساحات الذاتية المرتبطة بها تحدد بنية مصفوفة المزج المتوسطة، وبالتالي تؤثر مباشرة في قيمة أثرها، أي في مقياس الخمول. وتستخدم الدراسة أدوات من الجبر الخطي والتحليل الطيفي، بما في ذلك المصفوفات شبه الموجبة (Positive Semidefinite Matrices) وتداخل القيم الذاتية (Eigenvalue Interlacing)، لإثبات ترتيب هذه البنى.
والفكرة الأعمق هنا هي أن هندسة الشبكة نفسها تصبح جزءًا من ديناميكا النظام الكمومي. فالمشي لا يتحدد فقط بالقوانين الكمومية التي تحكم تطور الحالة، وإنما يتأثر أيضًا بالطريقة التي صُممت بها شبكة الاتصالات. تغيير بنية الرسم البياني يمكن أن يغير الطيف الخاص باللابلاسيان، وهذا بدوره يغير كيفية تطور الاحتمالات وسلوك العودة إلى نقطة البداية.
بعبارة بسيطة، السؤال لم يعد فقط: «كيف يتحرك المشي الكمومي؟» بل أصبح أيضًا: «أي بنية للشبكة تجعل هذا المشي أكثر ميلًا إلى العودة؟»
وهذا النوع من النتائج يوضح كيف يمكن لنظرية الرسوم البيانية، والجبر الخطي، والتحليل الطيفي، وميكانيكا الكم أن تجتمع لوصف خاصية دقيقة في الأنظمة الكمومية، وتكشف أن شكل الشبكة ليس مجرد إطار للحركة، بل عنصر أساسي في تحديد السلوك الكمومي نفسه.
