QFOR: A Fidelity-aware Orchestrator for Quantum Computing Environments using Deep Reinforcement Learning

تعد الحواسيب الكمومية بحل مشكلات قد تستغرق الحواسيب الفائقة اليوم آلاف السنين لحلها، بدءاً من تصميم أدوية جديدة وصولاً إلى كسر الشفرات المعقدة. ومع ذلك، فإن هذه الآلات ليست بعد بمثابة أدوات العمل الموثوقة التي نراها في أفلام الخيال العلمي؛ فهي أدوات هشة وحساسة تعمل في عصر مليء بالضجيج والأخطاء، حيث يمكن لأي اضطراب طفيف أن يفسد عملية حسابية. ولأن بناء وصيانة هذه الآلات أمر صعب للغاية ومكلف، فإن معظم الباحثين يصلون إليها عن بُعد عبر السحابة، تماماً مثل استئجار حاسوب قوي عبر الإنترنت. وهذا يخلق لغزاً لوجستياً فريداً: كيف تقرر أي آلة كمومية محددة يجب أن تنفذ مهمة معينة عندما تكون كل آلة مختلفة، وكل مهمة فريدة، وأداء هذه الآلات نفسها يتغير بمرور الوقت؟

في هذه البيئة، غالباً ما يكون مجرد إرسال المهمة إلى أول آلة متاحة خطأً؛ فقد تبدو الآلة سريعة على الورق لكنها قد تكون صاخبة جداً بالنسبة لمهمة معقدة، بينما قد تكون الآلة الأكثر هدوءاً بطيئة جداً، مما يؤدي إلى تلاشي المعلومات الكمومية الدقيقة قبل انتهاء العمل. التحدي يكمن في إيجاد التوازن المثالي بين السرعة والدقة، وهي مهمة معقدة للغاية على قواعد الجدولة القياسية. وقد عالج الباحثون هوا تي. نغوين، ومحمد عثمان، وراجكومار بويا هذا الأمر من خلال إنشاء نظام جديد يسمى QFOR. يعمل هذا النظام كمدير ذكي لموارد السحابة الكمومية، مستخدماً نوعاً من الذكاء الاصطناعي يُعرف بالتعلم التعزيزي العميق ليتعلم كيفية اتخاذ أفضل القرارات في الوقت الفعلي.

بنى الباحثون محاكاة متطورة تحاكي بيئة سحابة كمومية حقيقية، كاملة بخمسة أنواع مختلفة من المعالجات الكمومية التي تتراوح من 27 إلى 127 كيوبت (وهي الوحدات الأساسية للمعلومات الكمومية). وقد غدّوا هذا النظام بآلاف المهام الكمومية المختلفة، المستمدة من مجموعة معروفة من الخوارزميات المعيارية، وراقبوا كيف كان أداء مديرهم الجديد القائم على الذكاء الاصطناعي مقارنة بطرق الجدولة التقليدية. تضمنت الطرق التقليدية التي اختبروها استراتيجيات بسيطة مثل اختيار أول آلة متاحة، أو توزيع المهام بالتساوي بين الآلات، أو اختيار الآلة ذات متوسط معدل الخطأ الأدنى دائماً. تعتمد هذه الأساليب القديمة على قواعد ثابتة لا يمكنها التكيف بسهء مع الطبيعة المتغيرة وغير المتوقعة للأجهزة الكمومية.

في المقابل، يتعلم نظام QFOR من خلال التجربة والخطأ؛ فهو يعامل مشكلة الجدولة كأنها لعبة يحاول من خلالها تحقيق أعلى درجة بناءً على عاملين رئيسيين: الدقة (fidelity)، أو دقة النتيجة، والوقت المستغرق لإكمال المهمة. يراقب النظام الحالة الراهنة للآلات الكمومية، بما في ذلك معدلات الخطأ الحالية ومدة تشغيلها، ثم يقرر أي آلة هي الأنسب للمهمة القادمة. ومن خلال آلاف جلسات التدريب، اكتشف الذكاء الاصطناعي أنماطاً واستراتيجيات فاتتها القواعد التي وضعها البشر. لقد تعلم ألا ينظر فقط إلى المقاييس البسيطة مثل "الأسرع" أو "الأهدأ"، بل نظر بدلاً من ذلك إلى الشكل والتعقيد الخاص بالدائرة الكمومية التي يحاول تشغيلها، ليطابقها مع الآلة التي يمكنها التعامل مع تلك الوظيفة المحددة بأكبر قدر من الفعالية.

كانت نتائج هذه المحاكاة مذهلة. فعند اختبارها مقابل الطرق التقليدية، حقق نظام QFOR باستمرار نتائج أكثر دقة بكثير. وفي الظروف الأكثر ملاءمة، حسّن دقة الحسابات بنسبة تترا de بين 29.5% و84% مقارنة بأفضل خط أساس تقليدي. وهذا يعني أن الحسابات كانت أكثر عرضة لأن تكون صحيحة بشكل ملحوظ. والأهم من ذلك، وجد الباحثون أن هذا المكسب الهائل في الدقة لم يأتِ على حساب السرعة؛ فقد نجح النظام في إبقاء الوقت الإجمالي المطلوب لإنهاء المهام مقارباً، أو أطول قليلاً فقط، من أسرع الطرق التقليدية. يشير هذا إلى أن الذكاء الاصطناني نجح في إدارة المقايضة الصعبة بين انتظار آلة أفضل وبين التسرع في إرسال مهمة إلى آلة صاخبة.

كان أحد أهم النتائج هو أن الافتراض القديم — الذي يقضي بضرورة اختيار الآلة ذات متوسط معدل الخطأ الأدنى — كان معيباً. فقد أظهر الباحثون أن الآلة ذات متوسط معدل الخطأ المنخفض يمكن أن تؤدي أداءً سيئاً إذا كانت المهمة الكمومية المحددة تتطلب ترتيباً معقداً من الاتصالات التي لا تستطيع الآلة التعامل معها جيداً. لقد تعلم الذك-اء الاصطناعي أن الخيار الأفضل يعتمد على التفاصيل المحددة للوظيفة، وليس فقط على تقييم عام للآلة. يسلط هذا الاستبصار الضوء على سبب ضرورة وجود نهج مرن وقائم على التعلم في مستقبل الحوسبة الكمومية، حيث الأجهزة متنوعة ومتطورة باستمرار.

كما أظهرت الدراسة أنه يمكن ضبط النظام لتحديد أولويات أهداف مختلفة. فمن خلال تعديل إعداد واحد، استطاع الباحثون توجيه الذكاء الاصطناعي للتركيز بشكل أكبر على الحصول على أدق نتيجة ممكنة، أو إعطاء الأولوية لإنهاء المهمة بأسرى وقت ممكن. هذه المرونة حيوية في مجال تختلف فيه احتياجات المستخدمين؛ فقد يعطي باحث في اكتشاف الأدوية الأولوية للدقة فوق كل شيء، بينما قد يحتاج محلل مالي إلى إجابة سريعة. إن القدرة على تغيير هذا التوازن دون إعادة بناء النظام بالكامل تظهر أن هذا النهج قوي وقابل للتكيف.

وعلى الرغم من أن هذه النتائج تأتي من محاكاة وليس من سحابة كمومية فيزيائية حية، إلا أن الباحثين استخدموا بيانات حقيقية من أجهزة IBM الكمومية لنمذجة الضجيج والأخطاء، مما جعل المحاكاة اختباراً صارماً للمفهوم. ويشير العمل إلى أنه مع ازدياد شيوع الحواسيب الكمومية وتعقيدها، لن يتمكن المشغلون البشريون من إدارتها يدوياً. وبدلاً من ذلك، ستكون الأنظمة الذكية مثل QFOR ضرورية لتنظيم تدفق المهام، وضمان استخدام هذه الموارد الباهظة والحساسة بكفاءة. وتخلص الدراسة إلى أنه باستخدام التعلم التعزيزي العميق لموازنة الدقة والوقت، يمكننا الاقتراب من مستقبل تقدم فيه الحوسبة الكمومية وعودها، من خلال توفير حلول موثوقة وفعالة من حيث التكلفة لأصعب مشكلات العالم.