Quantum power iterations via tensor networks
تقترح هذه الورقة خوارزمية كمومية تنفذ عمليات التكرار القدراتي الكلاسيكية باستخدام مؤثرات ضرب المصفوفات الوحدوية والاختيار اللاحق للتغلب على عقبة النمو الأسي للرتبة في طرق الشبكة الموترية الكلاسيكية، مع الإشارة صراحةً إلى أنها تضع البناء وشروط التشغيل دون أن تثبت بعد ميزة حوسبية حاسمة على النهج الكلاسيكية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف ولم يصادق عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
التحسين هو فن إيجاد أفضل حل ممكن لمشكلة ما، سواء كان ذلك يعني تصميم جناح طائرة أكثر كفاءة، أو تدريب حاسوب على التعرف على الوجوه، أو ببساطة العثور على أعلى قمة في مشهد طبيعي شاسع وضبابي. لعقود من الزمن، اعتمد العلماء على تقنية رياضية كلاسيكية تسمى "تكرار القدرة" (power iteration) لحل هذه المشكلات. تخيل أنك تحاول العثور على أعلى جبل في سلسلة جبلية عن طريق ضرب خريطة للتضاريس في نفسها بشكل متكرر؛ مع كل عملية ضرب، تصبح القمم الأعلى أكثر طولاً ووضوحاً، بينما تتلاشى الوديان والتلال الصغيرة حتى تتبقى نقطة واحدة هي الأعلى فقط. تعمل هذه الطريقة بشكل رائع على الحواسيب الكلاسيكية للمهام البسيطة، لكنها تصطدم بحائط مسدود عندما تصبح الخرائط شديدة التعقيد. فمع تكرار الحسابات، يتضخم حجم البيانات المطلوبة لوصف المشهد بشكل هائل، وينمو بسرعة كبيرة لدرجة أن أقوى الحواسيب الفائقة لا تستطيع مواكبته. هذا هو الاختناق الذي سعى الباحثون طويلاً للتغلب عليه.
لقد اقترح فريق من العلماء في شركة "تيرا كوانتوم" (Terra Quantum AG) الآن طريقة لتجاوز انفجار البيانات هذا عبر نقل الحساب إلى حاسوب كمي. فبدلاً من محاولة تخزين الخريطة الكاملة المتنامية في الذاكرة، ابتكروا طريقة لترميز المشهد داخل دائرة كمية — وهي سلسلة من العمليات التي تُجرى على البتات الكمية، أو "الكيوبيتات" (qubits). يعامل نهجهم المشكلة ليس كتحدٍ لتخزين البيانات الضخمة، بل كعملية فيزيائية. ومن خلال تحويل الوصف الرياضي للمشهد إلى نوع محدد من الدوائر الكمية، يمكنهم إجراء عمليات "الضرب" المتكررة التي يتطلبها تكرار القدرة. وفي هذا العالم الكمي، تحدث العملية بشكل طبيعي مع تطور النظام، دون الحاجة إلى تخزين كميات هائلة من البيانات بشكل أسي. وقد أثبت الباحثون أن هذه الطريقة يمكنها تحديد النقطة الأعلى في مشهد ما بنجاح، حتى عندما يكون المشهد معقداً ومليئاً بالعديد من القمم والوديان المحلية.
يتضمن جوهر عملهم ترجمة كائن رياضي يُعرف باسم "مؤثر ضرب المصفوفة" (matrix product operator) إلى دائرة كمية. في العالم الكلاسيكي، غالباً ما تؤدي عملية إجراء الخطوات اللازمة لإيجاد الحل الأمثل إلى خروج تعقيد البيانات عن السيطرة. وجد الباحثون طريقة لتقريب هذا الكائن الرياضي المعقد باستخدام نسخة "وحدوية" (unitary) أبسط تتناسب داخل حاسوب كمي. وقد استخدموا تقنية تسمى "التحسين التبايني" (variational optimization)، وهي عملية تعتمد على التجربة والخطأ حيث يقوم الحاسوب بتعديل إعدادات دائرته حتى تتطابق بدقة مع الشكل الرياضي المستهدف. وبمجرد بناء هذه الدائرة، يمكن للباحثين تشغيل عملية تكرار القدرة ببساطة عن طريق تكرار نفس كتلة العمليات الكمية مراراً وتكراراً. ولضمان عمل العملية بشكل صحيح، يجب عليهم التحقق من نتيجة كل خطوة، وهي عملية تُعرف باسم "الاختيار اللاحق" (post-selection)، والتي تعمل كمرشح للاحتفاظ بالنتائج الناجحة فقط واستبعاد الباقي.
اختبر الفريق طريقتهم على عدة مشاهد رياضية مختلفة، تراوحت من منحنى بسيط يشبه الموجة إلى أشكال أكثر تعقيداً متعددة الأبعاد تُعرف بدالتي "أكلي" (Ackley) و"روزنبروك" (Rosenbrock). بالنسبة للموجة البسيطة، عملت الطريقة بشكل مثالي، واستعادت الحل الدقيق تحليلياً. أما بالنسبة لدالة "أكلي" الأكثر تعقيداً، والتي تتميز بتضاريس وعرة بها العديد من القمم المحلية، فقد نجح النهج الكمي في العثور على الحد الأقصى العالمي، حتى عندما لم يكن التقريب الرياضي المستخدم مثالياً. ومع ذلك، كشفت الدراسة أيضاً عن قصور حرج؛ فعندما طبقوا الطريقة على دالة "روزنبروك"، التي تحتوي على وادٍ ضيق ومسطح جداً يؤدي إلى الحل، واجهت الدائرة الكمية صعوبة في تمييز القمة الحقيقية عن جيرانها. ووجد الباحثون أن الطريقة تعمل بشكل موثوق فقط إذا كان الفرق بين الحل الأفضل والحل التالي الأفضل كبيراً بما يكفي ليظهر بوضوح من خلال ضجيج التقريب. فإذا كان المشهد مسطحاً للغاية أو كانت القمم متشابهة جداً، فلا يستطيع الحاسوب الكمي الفصل بينها، بغض النظر عن عدد مرات تكرار الحساب.
ومن الضروري أن يوضح المؤلفون أن هذا ليس انتصاراً مُثبتاً على الحواسيب الكلاسيكية في جميع المشكلات. ففي الأمثلة المحددة التي اختبروها، لم تعانِ الطريقة الكلاسيكية في الواقع من انفجار البيانات الذي كانوا يأملون تجنبه، مما يعني أن النهج الكمي لم يظهر ميزة في السرعة في تلك الحالات. وتكمن القيمة الحقيقية لعملهم في وضع مسار جديد: طريقة لتشغيل هذه الخوارزميات القوية للتحسين على الأجهزة الكمية دون اختناق البيانات الكلاسيكي. لقد أظهروا أن نجاح الطريقة يعتمد بشدة على الشكل المحدد للمشكلة المراد حلها. فإذا كانت المشكلة تمتلك قمة واضحة ومتميزة ويمكن وصفها بتقريب من رتبة منخفضة، فإن الطريقة الكمية تكون قابلة للتطبيق. أما إذا كان المشهد مسطحاً للغاية أو كان التقريب خشناً جداً، فإن الطريقة تفشل.
اكتشف الباحثون أيضاً طريقة لتحسين كفاءة دوائرهم الكمية بشكل كبير. فمن خلال تعديل كيفية التعامل مع القياس الرياضي أثناء عملية التحسين، تمكنوا من زيادة احتمالية نجاح التشغيل بعدة مراتب عشرية. وفي إحدى الحالات، أدى هذا التعديل إلى تحسين معدل النجاح بمقدار اثنين وعشرين مرتبة عشرية، مما جعل الفرق بين نتيجة مستحيلة الحصول عليها عملياً ونتيجة ممكنة التنفيذ. ويشير هذا الاكتشاف إلى أن الطريقة التي يتم بها صياغة المشكلة رياضياً لا تقل أهمية عن الأجهزة الكمية نفسها. وتخلص الدراسة إلى أنه على الرغم من أن هذا ليس حلاً سحرياً لكل مشكلات التحسين، إلا أنه يوفر أساساً متيناً للعمل المستقبلي؛ فهو يحدد الظروف المحددة التي يمكن لعمليات تكرار القدرة الكمية أن تعمل فيها بموثوقية، ويشير إلى مستقبل قد تتصدى فيه الحواسيب الكمية لمشكلات التحسين التي تقع حالياً خارج نط reach (نطاق وصول) الآلات الكلاسيكية، بشرط أن تتوافق هذه المشكلات مع المعايير الصحيحة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.