Optimal Quantum Likelihood Estimation
تقترح هذه الورقة استراتيجية تحسين قائمة على نظرية المعلومات لخوارزمية تقدير الاحتمالية الكمومية (QLE)، والتي تختار معلمات تجريبية ديناميكيًا لتعظيم المعلومات المتبادلة، مما يؤدي إلى تسريع تعلم الهاملتوني بشكل كبير في عصر الحوسبة الكمومية ذات الضجيج متوسط المدى (NISQ).
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
في المستقبل القريب، قد تبدأ الحواسيب في تسخير القواعد الغريبة لميكانيكا الكم لحل مشكلات مستعصية حالياً حتى على أقوى الحواسيب الفائقة. هذه الآلات لا تكتفي بالحساب بسرعة أكبر فحسب؛ بل تعالج المعلومات بطريقة تسمح لها باستكشاف احتمالات عديدة في وقت واحد. ومع ذلك، لا تزال الحواسيب الكمومية اليوم هشة وعرضة للأخطاء، وهي مرحلة من التطوير يسميها العلماء "عصر المقياس المتوسط الضجيجي". ولأن هذه الآلات غير مثالية، غالباً ما يستخدم الباحثون نهجاً هجيناً، يجمع بين الحاسوب الكمومي وحاسوب تقليدي. وفي هذه الشراكة، يقوم الجهاز الكمومي بمهمة محددة ودقيقة لجمع البيانات الخام، بينما يقوم الحاسوب التقليدي بتحليل تلك البيانات ويقرر كيفية ضبط الآلة الكمومية للخطوة التالية. والهدف هو تعليم النظام الكمومي كيف يتعلم عن بيئته الخاصة، وتحديداً لفهم القواعد الخفية، أو "الهاميلتونيان" (Hamiltonian)، الذي يحكم كيفية تغير النظام الكمومي بمرور الوقت. إن معرفة هذه القواعد أمر ضروري لبناء مستشعرات كمومية أفضل، ومحاكاة مواد جديدة، وفهم السلوك الأساسي للمادة.
يكمن التحدي في مدى كفاءة تعلم النظام. فإذا طُلب من الحاسوب الكمومي طرح الأسئلة الخاطئة أو إذا تم قياسه بطريقة خاطئة، فإنه سيجمع معلومات مفيدة ضئيلة جداً، مما يجبر الباحثين على تكرار العملية مرات عديدة. وهنا تقدم دراسة جديدة أجراها آلون ليفي، وزيف أوسي، وإلياهو كوهين، وأميت تيني في جامعة بار-إيلان تحسيناً كبيراً. فقد ركز الفريق على طريقة هجينة محددة تسمى "تقدير الاحتمال الكمومي" (Quantum Likelihood Estimation)، وهي مصممة لتحديد الهاميلتونيان الصحيح من قائمة من المرشحين. وبينما تعمل الطريقة الأصلية، إلا أنها قد تكون بطيئة وغير فعالة لأنها تعتمد على إعدادات ثابتة أو تخمينات بسيطة لكيفية إعداد كل تجربة. وقد اقترح الباحثون طريقة أكثر ذكاءً لإجراء هذه التجارب من خلال معاملة كل خطوة كفرصة لاستخراج أقصى قدر ممكن من المعلومات.
ولتحقيق ذلك، طور الفريق استراتيجية تختار ديناميكياً أفضل الظروف لكل جولة من جولات التجربة. فبدلاً من الالتزام بخطة معدة مسبقاً، تسأل خوارزميتهم باستمرار: "ما هي الحالة الأولية التي يجب إعدادها، وكم من الوقت يجب أن نترك النظام يتطور، وكيف يجب أن نقيسه لنتعلم أكثر عن القاعدة الخفية؟". وقد أجابوا على ذلك باستخدام مفهوم من نظرية المعلومات يسمى "المعلومات المتبادلة" (mutual information)، والذي يقيس مقدار ما يخبرنا به معرفة نتيجة القياس عن الهاميلتونيان المجهول. ومن خلال تعظيم هذه القيمة، تضمن الخوارزمية أن كل قياس يوفر أوضح دليل ممكن. ولإيجاد الإعدادات المثالية لهذه المتغيرات، استخدم الباحثون تقنية حوسبية تسمى "التلدين المحاكى" (simulated annealing). وتعمل هذه الطة مثل بحث دقيق يستكشف العديد من مجموعات الإعدادات المختلفة، وتقبل أحياناً خياراً أسوأ لتجنب الوقوع في فخ محلي، حتى تجد أفضل تكوين عالمي.
كانت نتائج عمليات المحاكاة التي أجروها مذهلة. فعندما اختبر الفريق نهجهم المحسن مقابل النسخة القياسية من الخوارزمية باستخدام مجموعة من أربع قواعد كمومية بسيطة، كان التحسن دراماتيكياً. فالطريقة الأصلية، التي استخدمت إعداداً ثابتاً واستاتيكياً، تطلبت في المتوسط 144 جولة من القياس لتحديد القاعدة الصحيحة بثقة. وفي المق المقابل، لم تحتج الطريقة الجديدة المحسنة سوى إلى 9 جولات للوصول إلى نفس مستوى اليقين. ويعني هذا الاختزال أن النظام يتعلم أسرع بأكثر من خمسة عشر مرة، مما يقلل بشكل كبير من الوقت والموارد المطلوبة. وقد أصبح هذا التفوق أكثر وضوحاً عندما طالب الباحثون بمستوى أعلى من الثقة في الإجابة. علاوة على ذلك، اختبروا الطريقة على مجموعة أكثر تعقيداً من ست قواعد مختلفة، بعضها كان متشابهاً جداً لدرجة أن الطريقة الأصلية فشلت تماماً في التمييز بينها. وقد نجحت الخوارزمية المحسنة في تحديد القواعد الست جميعها، بمتوسط أربع إلى خمس جولات فقط لكل قاعدة.
تشير الدراسة إلى أن مفتاح هذا التسريع لم يكن مجرد امتلاك الوصول إلى نطاق أوسع من الإعدادات، بل في الاستراتيجية المستخدمة لاختيارها. ولإثبات ذلك، قارن الباحثون تحسينهم الديناميكي بنسخة تبحث ببساطة عبر شبكة واسعة من الخيارات في كل خطوة دون عملية التلدين الذكية. وحتى مع البحث الأوسع، استغرقت الطريقة القائمة على الشبكة عشر جولات للتقارب، بينما استغرقت عملية التحسين الذكية تسع جولات. وهذا يشير إلى أن ذكاء عملية الاختيار نفسها هو المحرك الرئيسي للكفاءة. ويشير الباحثون إلى أنه بينما تم عرض عملهم من خلال محاكاة حاسوبية على أنظمة الكيوبت الواحد (single-qubit)، فإن المنطق الكامن وراء ذلك قوي ويمكن توسيعه ليشمل أنظمة أكثر تعقيداً متعددة الكيوبتات، وحتى نطاقات مستمرة من القواعد المجهولة. ومن خلال معاملة عملية التعلم كدورة مستمرة من الإعداد، والقياس، والتحديث، والتحسين، يوفر هذا النهج مساراً مبدئياً لجعل الخوارزميات الكمومية الهجينة عملية وقابلة للتوسع للتطبيقات الواقعية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.