Train on classical, deploy on quantum: scaling generative quantum machine learning to a thousand qubits
تقترح هذه الورقة إطار عمل توليدي لتعلم الآلة الكمي قابل للتوسع، يقوم بتدريب دوائر كمية متعددة الحدود لحظية بكفاءة على أجهزة كلاسيكية لتجنب الهضاب القاحلة، مما يتيح أخذ العينات والتعلم بنجاح على الأجهزة الكمية التي تصل إلى ألف كيوبت.
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
إليك شرح لورقة بحثية بعنوان "التدريب على الحاسوب الكلاسيكي، والتشغيل على الحاسوب الكمي"، باستخدام لغة بسيطة وتشبيهات من الحياة اليومية.
المشكلة الكبرى: "الازدحام المروري الكمي"
تخيل أنك تريد تعليم روبوت (حاسوب كمي) كيف يرسم لوحات. في الماضي، كانت الطريقة القياسية للقيام بذلك هي ترك الروبوت يحاول الرسم، ثم التحقق من مدى سوء اللوحة، ثم إخباره بالضبط بكيفية تحريك فرشاته لإصلاحها.
ومع ذلك، كانت هناك مشكلة هائلة بهذه الطريقة بالنسبة للحواسيب الكمية:
- "الهضبة القاحلة" (الصحراء المسطحة): كلما أصبح الروبوت أكثر تعقيداً (أي زاد عدد الـ "qubits" أو أجزائه)، تصبح التعليمات الخاصة بكيفية إصلاح اللوحة باهتة جداً لدرجة أنها تختفي وسط الضجيج. الأمر يشبه محاولة سماع همسة وسط إعصار. يظل الروبوت عالقاً ولا يستطيع التعلم.
- تكلفة التحقق: لمعرفة كيفية إصلاح اللوحة، عليك أن تطلب من الروبوت الكمي إجراء التجربة نفسها آلاف المرات لمجرد الحصول على معلومة صغيرة جداً. إذا كان لديك روبوت ضخم، فإن هذا سيستغرق وقتاً طويلاً لدرجة أنه قد يتطلب عقوداً لتدريبه على مجموعة بيانات بسيطة.
تساءل مؤلفو هذه الورقة: هل هناك طريقة لتعليم الروبوت دون أن يعلق في الصحراء أو ينتظر عقوداً؟
الحل: "التدريب على محاكي، والتشغيل على الجهاز الحقيقي"
ابتكر المؤلفون استراتيجية ذكية من خطوتين: التدريب على حاسوب كلاسيكي، والتشغيل على حاسوب كمي.
فكر في الأمر كالتالي:
- الحاسوب الكمي هو فرشاة رسم سحرية وباهظة الثمن يمكنها إنشاء أنماط لا يستطيع أي بشر رسمها. لكنه بطيء في طلب النصيحة.
- الحاسوب الكلاسيكي هو حاسوب محمول عادي وسريع. لا يمكنه رسم الأنماط السحرية، لكنه يستطيع محاكاة كيف ستتصرف الفرشاة السحرية رياضياً.
سير العمل:
- المحاكاة (التدريب): بدلاً من سؤال الروبوت الكمي البطيء والمكلف للتحقق من عمله، يستخدم المؤلفون حاسوباً محمولاً سريعاً لمحاكاة سلوك الروبوت. يستخدمون نوعاً خاصاً من الدوائر الرياضية (تسمى دائرة IQP) وهي سهلة الحساب بالنسبة للحاسوب المحمول ولكن يصعب على الحاسوب المحمول نسخها لاحقاً.
- دالة الخسارة (بطاقة التقييم): يستخدمون نظام تسجيل معيناً يسمى MMD (التباين الأقصى للمتوسط). تخيل أن لديك كومة من الصور الحقيقية (البيانات) وكومة من الصور التي رسمها الروبوت. يقيس مقياس MMD مدى اختلاف هاتين الكومتين. الهدف هو جعل كومة الروبوت تبدو تماماً مثل الكومة الحقيقية.
- الخدعة السحرية: وجد المؤلفون طريقة لحساب هذا المقياس وتعليمات "الإصلاح" بالكامل على الحاسوب المحمول. ولأن الرياضيات تعمل بشكل جيد لهذا النوع المحدد من الدوائر، يمكن للحاسوب المحمول القيام بذلك في ثوانٍ، حتى للدوائر التي تحتوي على 1,000 كيوبت (وهو رقم ضخم!).
- التشغيل (العائد): بمجرد أن يحدد الحاسوب المحمول الإعدادات المثالية (المعلمات) للروبوت، تقوم بإرسال تلك الإعدادات إلى الحاسوب الكمي الحقيقي. الآن، يقوم الحاسوب الكمي بتشغيل الدائرة لإنتاج صور جديدة. ولأن الرياضيات تقول إن هذه الدوائر "صعبة" على الحواسيب المحمولة لتقليدها، يمكن للحاسوب الكمي إنتاج نتائج لا يستطيع الحاسوب العادي تقليدها بسهولة.
المكونات الرئيسية للنجاح
1. البداية "المعتمدة على البيانات"
عادةً، عندما تبدأ في تدريب نموذج، فإنك تخمن أرقاماً عشوائية للإعدادات. هذا غالباً ما يؤدي إلى "الهضبة القاحلة" (الروبوت يضيع).
- الحل: نظر المؤلفون إلى البيانات قبل البدء. إذا أظهرت البيانات أن بكسلين يتغيران معاً عادةً، فإنهم يضبطون إعدادات الروبوت لتعكس هذه العلاقة منذ البداية.
- التشبيه: بدلاً من قول "خمن الإجابة" للطالب، أنت تعطيه تلميحاً بناءً على الكتاب المدرسي. هذا يمنعه من العلوق في "صحراء" التخمينات العشوائية.
2. "التماسك" هو الملك
قارن المؤلفون نموذجهم الكمي بنسخة "مفككة التماسك" (كلاسيكية).
- النتيجة: تعلم النموذج الكمي (الذي يستخدم "التماسك"، أو الطبيعة الموجية لميكانيكا الكم) الأنماط بشكل جيد. أما النسخة الكلاسيكية (التي تقوم فقط بقلب البتات عشوائياً) فقد فشلت فشلاً ذريعاً في مجموعات البيانات الكبيرة.
- الخلاصة: "السحر" الموجود في ميكانيكا الكم ليس مجرد كلمة رنانة؛ بل إنه يساعد النموذج فعلياً على تعلم الهياكل المعقدة التي تفوتها النماذج الكلاسيكية.
ما الذي فعلوه بالفعل (التجارب)
لم يتحدث الفريق عن النظرية فحسب؛ بل قاموا ببنائها واختبارها على بيانات حقيقية. لقد دربوا نماذج تصل إلى 1,000 كيوبت (آلاف المعلمات) على ست مجموعات مختلفة من البيانات:
- أنماط بسيطة: مثل شبكات ثنائية الأبعاد من "السبينات" أو "كتل" من البكسلات.
- بيانات من العالم الحقيقي: أرقام مكتوبة بخط اليد (MNIST)، بيانات جينية (أنماط الحمض النووي)، وبيانات من جهاز "كمي" حقيقي (D-Wave).
النتائج:
- السرعة: دربوا هذه النماذج الضخمة في ساعات، وليس عقوداً.
- الأداء: في مجموعات البيانات الكبيرة والمعقدة (مثل D-Wave والبيانات الجينية)، تفوق نموذجهم الكمي على النماذج الكلاسيكية القياسية (مثل نماذج بولتزمان المقيدة ونماذج الطاقة القائمة).
- السبب: غالباً ما كانت النماذج الكلاسية تعاني من "انهيار النمط" (كانت تتعلم رسم نوع واحد فقط من الصور وتتجاهل البقية). أما النموذج الكمي فقد تعلم الصورة الكاملة.
الخلاصة
تثبت هذه الورقة أننا لسنا بحاجة لانتظار حواسيب كمية مثالية للقيام بعمل مفيد. من خلال استخدام نهج "هجين" — القيام بالعمل الشاق للتدريب (Training) على حواسيب كلاسيكية سريعة، وحفظ عملية التوليد (Generation) للحواسيب الكمية — يمكننا التوسع إلى أحجام هائلة اليوم.
الأمر يشبه بناء مخطط لناطحة سحاب على حاسوب سريع، ثم استخدام رافعة متخصصة وبطيئة لرفع العوارض الفولاذية في مكانها. المخطط (التدريب) سريع وفعال؛ أما البناء (أخذ العينات) فهو حيث تكمن القوة الفريدة.
ما لا تدعيه الورقة البحثية:
- لا تدعي أنها حلت كل المشكلات في تعلم الآلة.
- لا تدعي أن الحواسيب الكمية أفضل حالياً في كل شيء (لقد واجهت صعوبات في بعض مجموعات البيانات الأصغر والأبسط حيث كانت النماذج الكلاسيكية جيدة).
- لا تقدم أي ادعاءات طبية أو سريرية؛ فقد استُخدمت البيانات الجينية فقط لاختبار التعرف على الأنماط، وليس لتشخيص الأمراض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.