Inference of maximum parsimony phylogenetic trees with model-based classical and quantum methods
تقترح هذه الورقة ثلاثة نماذج تحسين مبتكرة لمسألة شجرة تطور السلالات ذات الاقتصاد الأقصى (maximum parsimony) وهي مسألة من فئة المسائل الصعبة حاسوبياً (NP-hard)، تتيح للمحللات الكلاسيكية والكمومية على حد سواء البحث مباشرة في فضاء الحلول الكامل، مما يثبت أن نموذجاً مبسطاً قائماً على الفروع يتفوق على الاستدلالات الكلاسيكية، وأن المحاكاة الكمومية يمكنها إيجاد الحلول المثلى الدقيقة بكفاءة للمسائل صغيرة النطاق.
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
تخيل أنك محقق يحاول حل لغز اجتماع عائلي ضخم. لديك ألبوم صور لـ 20 شخصاً مختلفاً (الأوراق النهائية)، ومهمتك هي معرفة كيفية ارتباطهم جميعاً ببعضهم البعض. عليك رسم شجرة عائلة تشرح أوجه التشابه والاختلاف بينهم باستخدام أقل عدد ممكن من التغييرات في حمضهم النووي.
في عالم البيولوجيا، يُطلق على هذا اسم التبسيط الأقصى (Maximum Parsimony). القاعدة بسيطة: الطبيعة عادة ما تسلك المسار الأقل مقاومة. "أفضل" شجرة عائلة هي تلك التي تتطلب أقل عدد من الطفرات التطورية لتفسير سبب ظهور الجميع بهذا الشكل.
ولكن، هناك عقبة؛ فكلما زاد عدد الأشخاص، انفجر عدد أشجار العائلة الممكنة إلى المليارات. إن العثور على الشجرة المثالية يشبه محاولة العثور على حبة رمل محددة وسط شاطئ يزداد حجماً في كل ثانية. هذا "كابوس حوسبي" بالنسبة للحواسيب القياسية.
إليك كيف تعامل مؤلفو هذه الورقة البحثية مع المشكلة، باستخدام بعض الحيل الذكية ولمحة من مستقبل الحوسبة.
1. الطريقة القديمة مقابل الطريقة الجديدة
الطريقة القديمة (الخريطة المعيبة):
سابقاً، حاول العلماء حل هذه المشكلة عبر تخمين شكل "الأسلاف" (الحلقات المفقودة في شجرة العائلة) قبل البدء في رسم الشجرة. الأمر يشبه محاولة حل أحجية الصور المقطوعة (jigsaw puzzle) عبر التخمين أولاً لشكل الصورة الموجودة على الصندوق، ثم البحث فقط عن القطع التي تناسب ذلك التخمين. إذا كان تخمينك خاطئاً، فلن تصل أبداً إلى الصورة الحقيقية. هذه الطريقة منحازة وغالباً ما تفشل في الوصول إلى الحل الأفضل.
الطريقة الجديدة (النماذج الثلاثة):
ابتكر المؤلفون ثلاثة "مخططات" (نماذج رياضية) لحل هذه المشكلة. بدلاً من تخمين الأسلاف، تركوا الكمبيوتر يبحث في كل شجرة ممكنة وكل سلف محتمل في آن واحد.
لقنا صمموا ثلاث طرق مختلفة لتنظيم هذا البحث:
- نموذج العمق: تنظيم الشجرة بناءً على مدى "عمق" كل جيل. (فوضوي للغاية، وقواعده كثيرة جداً).
- نموذج الموضع: تخصيص رقم مقعد محدد لكل سلف. (أفضل، لكن الرياضيات تصبح معقدة).
- نموذج الفرع (الفائز): هذه هي "خدعتهم السحرية". بدلاً من القلق بشأن العمق أو المقاعد، قاموا ببساطة بتحديد الروابط بين الأشخاص. ومن خلال استخدام قاعدة ذكية (لا يمكنك الاتصال إلا بشخص لديه رقم تعريف أعلى)، منعوا الشجرة تلقائياً من تكوين حلقات (وهو أمر مستحيل في شجرة العائلة). هذا النموذج فعال للغاية لدرجة أنه يستخدم نصف المتغيرات التي تستخدمها الطرق الأخرى. إنه يشبه الانتقال من كرة خيوط متشابكة وضخمة إلى خط مستقيم ومرتب.
2. اختبار النظرية (الاختبار الكلاسيكي)
أولاً، اختبروا "نموذج الفرع" الخاص بهم على كمبيوتر عادي باستخدام برنامج حل قوي (محرك بحث ذكي جداً).
- النتيجة: بالنسبة للمجموعات الصغيرة، وجد الشجرة المثالية فوراً.
- اختبار الواقع: عندما جربوا النموذج على مجموعة بيانات بيولوجية حقيقية (20 نوعاً من البرمائيات)، بدأ الكمبيوتر يعاني. الوقت الذي استغرقه حل المشكلة نما بشكل أسّي. إنه يشبه محاولة عد كل حبة رمل على الشاطئ يدوياً؛ في النهاية، ستنفد منك الموارد والوقت.
- الأخبار الجيدة: على الرغم من بطئه، وجد أسلوبهم أشجاراً أفضل من الطرق "الاستدلالية" القياسية (التي تشبه التخمين والتحقق). لقد وجدوا أشجاراً تتطلب طفرات أقل، مما يعني تاريخاً تطورياً أكثر دقة.
3. القفزة النوعية (المستقبل)
بما أن الحواسيب العادية اصطدمت بحائط مسدود، تساءل المؤلفون: ماذا لو استخدمنا حاسوباً كمومياً؟
فكر في الكمبيوتر العادي كمتسلق يحاول إيجاد أدنى نقطة في سلسلة جبال؛ عليه أن يمشي صعوداً وهبوطاً في كل تلة ليتأكد من أنه وجد القاع المطلق.
أما الحاسوب الكمومي فهو مثل شبح يمكنه التواجد في جميع الوديان في وقت واحد. يمكنه "النفق" عبر التلال ليجد أدنى نقطة فوراً.
قام المؤلفون بترجمة "نموذج الفرع" الخاص بهم إلى لغة تفهمها الحواسيب الكمومية (الهاملتوني - Hamiltonian). ثم استخدموا خوارزميتين كموميتين:
- QAOA: حاولت هذه الخوارزمية إيجاد القاع لكنها علقت في "وديان محلية" (ظنت أن منخفضاً صغيراً هو القاع، لكنه لم يكن كذلك).
- VQE (المحلل الكمومي المتغير - Variational Quantum Eigensolver): كانت هذه هي النجم الحقيقي. فقد نجحت في إيجاد أدنى نقطة بالضبط (الشجرة المثالية) في الحالات الاختبارية الصغيرة التي أجروها.
الصورة الكبيرة
هذه الورقة هي إثبات لمفهوم (Proof-of-concept). وهي تقول:
- لدينا خريطة أفضل: "نموذج الفرع" هو طريقة أكثر كفاءة بكثير لوصف مشكلة بناء أشجار العائلة رياضياً.
- الحواسيب الكلاسيكية تصطدم بحدودها: حتى مع وجود أفضل خريطة، لا تزال الحواسيب العادية تعاني مع مجموعات البيانات الكبيرة.
- الحواسيب الكمومية هي المستقبل: تُظهر المحاكاة الكمومية المبكرة أنها تستطيع حل هذه المشكلات "المستحيلة" بشكل مثالي، على الأقل للمجموعات الصغيرة.
بكلمات بسيطة: بنى المؤلفون محركاً أفضل لسيارة (النموذج)، واختبروه على طريق عادي (كمبيوتر كلاسيكي)، ثم أظهروا أنه إذا انتقلنا إلى مركبة فضائية (حاسوب كمومي)، فيمكننا الطيران فوق الازدحامات المرورية التي أبطأت علماء البيولوجيا لعقود. وبينما لا تزال المركبة الفضائية في مرحلة النموذج الأولي، فإن مخطط الطيران جاهز الآن.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.