Experimentally Extending Quantum Kernel Learning to Quantum Data by NMR
تثبت هذه الورقة تجريبياً تفوق تعلم النواة الكمومية على الطرق الكلاسيكية في معالجة البيانات الكمومية من خلال التنفيذ الناجح والمقارنة المرجعية لهذا النهج على منصة رنين مغناطيسي نووي مكونة من 3 كيوبتات لمهام الانحدار، والتصنيف، وتمييز العمليات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لقد أصبح التعلم الآلي أداة قوية لإيجاد الأنماط في كميات هائلة من المعلومات، من التنبؤ بالطقس إلى التعرف على الوجوه. ومع ذلك، عندما تأتي البيانات نفسها من العالم الكمي — عالم الذرات والجسيمات دون الذرية حيث تسلك قواعد الفيزياء سلوكاً مختلفاً تماماً — فإن البرامج الحاسوبية القياسية غالباً ما تعاني. فهي مصممة للتعامل مع المعلومات الكلاسيكية، مثل الأرقام والصور، لكنها لا تستطيع بسهولة معالجة الهياكل المعقدة وغير المرئية للأنظمة الكمية دون تحويلها أولاً إلى شكل يفقد الكثير من طابعها الفريد. لطالما نظر العلماء في إمكانية تعليم الآلات التعلم مباشرة من البيانات الكمية، باستخدام الخصائص الطبيعية للأنظمة الكمية للقيام بالعمل، مما قد يفتح آفاقاً لمستوى جديد من الكفاءة. تقع هذه الفكرة عند تقاطع مجالين يتقدمان بسرعة: علم المعلومات الكمية، الذي يدرس كيفية استخدام ميكانيكا الكم للحوسبة، والتعلم الإحصائي، الذي يعلم الحواسيب كيفية تقديم التنبؤات. كان التحدي يكمماً في الانتقال من النظرية إلى التطبيق، وإثبات أن الآلة يمكنها بالفعل التعلم من المدخلات الكمية دون الحاجة إلى حاسوب كمي ضخم وخالٍ من الأخطاء للقيام بذلك.
لقد اتخذ فريق من الباحثين في المعهد الهندي للعلوم والتعليم والبحث في بونا خطوة مهمة نحو جعل هذا الأمر حقيقة واقعة. فقد نجحوا في استعراض طريقة تسمى "تعلم النواة الكمية" (quantum kernel learning) على جهاز كمي فيزيائي، مظهرين أنها لا تستطيع فقط معالجة البيانات القياسية، بل يمكنها أيضاً التعلم مباشرة من المؤثرات الكمية، وهي الأوصاف الرياضية لكيفية تغير الأنظمة الكمية. أثبت عملهم، الذي أُجري باستخدام نظام الرنين المغناطيسي النووي في الحالة السائلة — وهي تقنية تستخدم الخصائص المغناطيسية لنوى الذرات في الجزيئات لتعمل كمعالج كمي — أن هذه الآلات يمكنها تحديد الأنماط المعقدة في البيانات الكمية التي تغفل عنها الطرق التقليدية. ومن خلال تدريب نظامهم على مجموعة محددة من العمليات الكمية، أظهروا قدرته على تصنيف عمليات جديدة غير مرئية بدقة عالية، حتى عندما كانت تلك العمليات الجديدة مختلفة تماماً عن تلك التي درسها. يشير هذا إلى أن الطريقة تلتقط البنية العميقة والأساسية للعالم الكمي، مما يسمح لها بتعميم معرفتها إلى ما هو أبعد بكثير من تدريبها.
لفهم ما حققه الفريق، من المفيد النظر في كيفية مقاربتهم للمشكلة عبر مرحلتين. أولاً، اختبروا نظامهم على بيانات كلاسيكية، وهي نوع المعلومات التي نستخدمها كل يوم، مثل الأرقام التي تمثل منحنى أو مجموعة من النقاط على رسم بياني. استخدموا جزيئاً يسمى "تريميثيل فوسفيت"، والذي يحتوي على عشر نوى ذرية تعمل كـ "كيوبتات" (qubits)، وهي الوحدات الأساسية للمعلومات الكمية. في هذا الإعداد، ترتبط نواة مركزية بتسع نوى أخرى، مكونة شكلاً يشبه النجمة. قام الباحثون بترميز الأرقام الكلاسيكية في النظام الكمي عن طريق تطبيق نبضات مغناطيسية محددة تعمل على تدوير لفات هذه النوى. ثم قاموا بقياس كيفية استجابة النظام لأزواج من هذه الأرقام لإنشاء "نواة" (kernel)، وهي في الأساس مقياس لمدى تشابه نقطتي بيانات في مساحة عالية الأبعاد. كانت النتائج مبهرة: استطاع النظام التنبؤ بشكل موجة جيبية ومنحنى متعدد الحدود معقداً بدقة تزيد عن 98%، واستطاع الفصل بين نوعين مختلفين من نقاط البيانات في مساحة ثنائية الأبعاد بأخطاء قليلة جداً. وقد أكد هذا أن أجهزتهم الكمية يمكنها أداء مهام التعلم الآلي القياسية بشكل موثوق.
إلا أن الاختراق الحقيقي جاء عندما انتقلوا لما وراء البيانات الكلاسيكية لمعالجة المشكلة الأصعب المتمثلة في التعلم من البيانات الكمية نفسها. في هذه المرحلة الثانية، لم يكن المدخل لآلتهم رقماً، بل كان مؤثراً كمياً — وهو وصف لتحول يغير حالة نظام كمي. وتحديداً، أرادوا معرفة ما إذا كان النظام يستطيع التمييز بين نوعين من التحولات: تلك التي تخلق "التشابك" (entanglement)، وهو اتصال كمي فريد حيث تصبح الجسيمات مرتبطة ببعضها بغض النظر عن المسافة، وتلك التي لا تخلق تشابكاً. وللقيام بذلك، استخدموا جزيئاً مختلفاً، وهو "ثنائي برومو فلورو ميثان"، الذي وفر نظاماً مكوناً من ثلاثة كيوبتات مرتبة في هيكل نجمي ذي طبقتين. لقد غذوا الآلة بمؤثرات كمية متنوعة، بعضها معروف بخلق التشابك والبعض الآخر لا يخلقه، وسألوا النظام ليتعلم الفرق بينهما.
كانت نتائج هذه التجربة مذهلة وسلطت الضوء على ميزة رئيسية للتعلم مباشرة من البيانات الكمية. فعندما قام الباحثون بمحاكاة نهج تقليدي، حاولوا فيه وصف المؤثرات الكمية باستخدام مجموعة من المعلمات الكلاسية، فشل النظام في التعميم. كان بإمكانه فقط التعرف على الأنماط التي رآها أثناء التدريب وفشل تماماً عند مواجهة بيانات جديدة خارج ذلك النطاق المحدد. في المقابل، حقق منهج تعلم النواة الكمية، الذي عالج المؤثرات مباشرة دون تحويلها إلى أرقام كلاسيكية، دقة بلغت 85% في البيانات التجريبية و94% في المحاكاة الرقمية. والأهم من ذلك، أنه تم تدريب النموذج فقط على مؤثرات من نصف النطاق الممكن من التباينات، ومع ذلك نجح في تحديد المؤثرات المشتبكة في النصف الآخر، وهو منطقة لم يسبق له رؤيتها من قبل. تشير هذه القدرة على التعميم إلى أن طريقة النواة الكمية لا تقوم بمجرد حفظ الأمثلة، بل تتعلم في الواقع التناظر والبنية الأساسية لمساحة المؤثرات الكمية.
يظهر هذا العمل أن الآلات الكمية يمكنها التعلم من المدخلات الكمية بطريقة لا تستطيع الحواسيب الكلاسيكية محاكاتها بسهء. أظهر الباحثون أنه باستخدام اللغة الأصلية لميكانيكا الكم، تمكنوا من مقارنة العمليات الكمية مباشرة، متجنبين الحاجة إلى تقنيات قياس مكلفة ومعقدة كانت ستكون مطلوبة لفهم البيانات. وبينما أُجريت التجربة على نطاق صغير باستخدام منصة رنين مغناطيسي نووي متخصصة، فإن النتائج توفر خارطة طريق عملية لكيفية استخدام الحواسيب الكمية مستقبلاً لتحليل والتعلم من الأنظمة الكمية الأخرى. يمكن أن يكون لهذا آثار عميقة على فهم المواد المعقدة، ومحاكاة الفيزياء عالية الطاقة، وتطوير تقنيات كمية جديدة، حيث يوفر طريقة لاستخراج أنماط ذات مغزى من العالم الكمي دون فقدان المعلومات التي تجعله فريداً. تؤكد الدراسة أن تعلم النواة الكمية هو مسار قابل للتطبيق، مما يوفر أداة يمكنها رؤية النظام الخفي في البيانات الكمية حيث تفشل الطرق الأخرى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.