Measurement-based quantum machine learning

الصورة الكبيرة: طريقة جديدة لبناء الأدمغة الكمومية

تخيل أنك تريد بناء دماغ كمبيوتر فائق الذكاء (شبكة عصبية كمومية) لحل مشكلات صعبة. عادةً، يبني العلماء هذه الأدمغة مثل شريط سينمائي: تبدأ بشاشة فارغة، ثم تشغل سلسلة من المشاهد (البوابات) واحدة تلو الأخرى، وتحصل على النتيجة في النهاية. هذا هو "نموذج الدائرة" القياسي.

ومع ذلك، يقترح مؤلفو هذه الورقة طريقة مختلفة لبناء هذه الأدمغة، تسمى الحوسبة الكمومية القائمة على القياس (MBQC).

التشبيه: الشبكة "المتشابكة مسبقاً"
بدلاً من تشغيل مشهد سينمائي تلو الآخر، تخيل أن لديك شبكة عنكبوت عملاقة منسوجة مسبقاً من خيوط كمومية (تسمى حالة المورد - resource state). هذه الشبكة "متشابكة" بالفعل، مما يعني أن جميع الخيوط متصلة ببعضها بطريقة غريبة وفورية.

للقيام بأي عمل، لا تقوم بتشغيل فيلم. بدلاً من ذلك، تبدأ بقص الخيوط (قياسها) بترتيب معين.

• عندما تقص خيطاً واحداً، فإنه يرسل تموجاً عبر الشبكة.
• يعتمد رد فعل الشبكة على كيفية قصك للخيوط السابقة.
• بحلول الوقت الذي تنتهي فيه من قص الخيوط الصحيحة، يكون الجزء المتبقي من الشبكة قد تحول إلى الإجابة التي أردتها.

تجادل الورقة بأن طريقة "القص" هذه هي في الواقع أفضل لتعلم الآلة لأنها تتعامل مع الضجيج بشكل أفضل، وتعمل جيداً مع الحواسيب الضوئية (الفوتونية)، وتسمح بأسلوب فريد من التعلم.

---

نجم العرض: MuTA (نموذج المثلثات المتعددة)

ابتكر المؤلفون تصميماً محدداً لهذه الشبكة الكمومية، أطلقوا عليه اسم MuTA (نموذج المثلثات المتعددة).

التشبيه: قطار من المثلثات
تخيل قطاراً لا تتصل عرباته في خط مستقيم فحسب، بل مع وجود جسور مثلثية بينها.

• المسارات: هي "الأسلاك" أو خطوط الشبكة.
• المثلثات: هي الاتصالات الخاصة بين الأسلاك.

لماذا المثلثات؟ في هذا العالم الكمومي، تعمل المثلثات مثل المفاتيح (Switches).

• إذا قمت بقياس جزء معين من المثلث بطريقة ما، تظل الأسلاك منفصلة (لا يوجد اتصال).
• إذا قمت بقياسه بطريقة أخرى، تصبح الأسلاك "متشابكة" (تبدأ في التواصل مع بعضها البعض).

يمنح هذا التصميم الدماغ الكمومي ثلاث قوى خارقة:

1. الشمولية (Universal): يمكنه تعلم القيام بأي عملية حسابية، تماماً كما يمكن للحاسوب التقليدي تشغيل أي برنامج.
2. القابلية للضبط (Tunable): يمكنك رفع أو خفض "مستوى صوت" الاتصال بين الأسلاك.
3. القابلية للتوسع (Scalable): يمكنك جعل الدماغ أكبر (إضافة المزيد من طبقات المثلثات) دون أن ينكسر، وسوف يصبح أكثر ذكاءً بطريقة يمكن التنبؤ بها.

ماذا فعلوا بالفعل؟ (التجارب)

لم يكتفِ المؤلفون برسم الصور؛ بل قاموا بمحاكاة MuTA على حاسوب ليروا ما إذا كان يعمل حقاً. إليكم الأشياء الأربعة التي جعلوه يتعلمها:

1. تعلم الأبجدية (البوابات الشاملة)
علموا MuTA أداء "حروف" كمومية أساسية (بوابات).

• النتيجة: تعلم أداء عمليات عشوائية أحادية الكيوبت (single-qubit) واتصالاً معيناً ثنائي الكيوبت (IsingXX) بسرعة كبيرة. لقد وصل إلى مرحلة الاستقرار (convergence) بسرعة، مما يعني أنه وجد "نمط القص" الصحيح بكفاءة.

2. التعلم تحت المطر (المتانة ضد الضجيج)
الحواسيب الكمومية الحقيقية مليئة بالضجيج (مثل محاولة سماع همس وسط عاصفة).

• النتيجة: اختبروا MuTA مع "بيانات ضوضائية" (أخطاء عشوائية) و"أجهزة ضوضائية" (الشبكة نفسها كانت معطلة قليلاً). كان MuTA قوياً بشكل مفاجئ؛ حيث استطاع تعلم الأنماط الصحيحة حتى عندما كان الضجيج مرتفعاً، طالما لم يكن الضجيج فوضى عارمة.

3. فرز الصخور الكمومية (تصنيف الحالات الكمومية)
أرادوا من الدماغ أن ينظر إلى حالة كمومية ويقرر: "هل هذه حالة 'جيدة' للقياس عالي الدقة، أم حالة 'سيئة'؟"

• النتيجة: دربوا MuTA لتصنيف هذه الحالات بدقة تزيد عن 96%. لقد تعلم تمييز الحالات المفيدة للاستشعار عن تلك غير المفيدة، حتى دون إخباره بالرياضيات الكامنة وراء ذلك صراحة.

4. خدعة الانتقال الآني (الأدوات الكمومية)
طلبوا من MuTA تعلم "أداة كمومية" (quantum instrument) — وهي عملية تأخذ حالة ما، وتقيسها، وتغير الحالة المتبقية بناءً على النتيجة (مثل نقل المعلومات آنياً).

• النتيجة: نجح النموذج في تعلم نقل حالة كمومية من جزء إلى آخر في الشبكة بدقة مثالية. وهذا يثبت قدرته على التعامل مع المنطق المعقد والخطوات المتتالية حيث تعتمد الخطوة التالية على القياس السابق.

5. فرز البيانات الكلاسيكية (خدعة النواة/Kernel)
أخيراً، استخدموا MuTA لفرز بيانات عادية غير كمومية (مثل النقاط على رسم بياني).

• النتيجة: حولوا MuTA إلى "نواة" (أداة رياضية للفرز). نجح في فرز الأشكال البسيطة (الدوائر والكتل) تماماً مثل الطرق الكمومية الأخرى، رغم أنه واجه صعوبة مع الأشكال الأكثر تعقيداً والتواءً (مثل شكل الهلال).

القيد الواقعي: العالم "المبكسل"

تختتم الورقة بمعالجة مشكلة عملية. بعض الحواسيب الكمومية (خاصة تلك التي تستخدم الضوء وتشفير GKP الخاص) لا يمكنها القياس عند أي زاوية. يمكنها فقط القياس عند زوايا محددة وثابتة (مثل 0 أو 45 أو 90 درجة). الأمر يشبه محاولة رسم لوحة فنية رائعة ولكن لا يمكنك استخدام سوى ثلاثة ألوان محددة فقط.

لحل هذه المشكلة، اختبر المؤلفون خوارزميتين "استكشافيتين" (Heuristic):

1. البحث الجشع (Greedy Search): طريقة تحاول تحسين شريحة واحدة من الشبكة في كل مرة، باختيار أفضل زاوية من القائمة المتاحة.
2. التعلم العميق لـ Q (Deep Q-Learning): نوع من الذكاء الاصطناعي الذي يتعلم من خلال التجربة والخطأ، مثل شخصية في لعبة فيديو تتعلم التنقل في متاهة.

النتيجة: عملت كلتا الطريقتين بشكل أفضل من التخمين العشوائي. كانت طريقة "البحث الجشع" أسرع للمهام الصغيرة، بينما أظهرت طريقة "الذكاء الاصطوي" (AI) إمكانات واعدة للشبكات الأكبر والأكثر تعقيداً.

الملخص

تقدم الورقة MuTA، وهو مخطط جديد للشبكات العصبية الكمومية يعمل عن طريق "قص" شبكة من الخيوط الكمومية المتصلة مسبقاً.

• هو شامل (يمكنه فعل أي شيء).
• هو متين (يتعامل مع الضجيج جيداً).
• هو مرن (يمكن ضبطه لمهام مختلفة).
• يعمل حتى عندما تكون الأجهزة محدودة بزوايا قياس محددة.

لقد أثبت المؤلفون بنجاح أن طريقة "القص" هذه يمكنها تعلم أداء البوابات، وتصنيف الحالات الكمومية، ونقل المعلومات آنياً، وفرز البيانات، مما يضع حجر الأساس لجيل جديد من أدوات تعلم الآلة الكمومية المصممة خصيصاً للحوسبة القائمة على القياس.