تخيل أن الكون مبني من لبنات بناء صغيرة غير مرئية تسمى الذرات، ولكن عند أصغر مقياس، لا تكتفي هذه اللبنات بالجلوس هناك؛ بل ترقص بطريقة غريبة وسحرية. هذا هو عالم الفيزياء الكمومية. في هذا النطاق، يمكن للجسيمات أن تكون في أما-كن عديدة في وقت واحد، ويمكن أن ترتبط ببعضها البعض بشكل غامض عبر مسافات شاسعة. لقد بنى العلماء آلات قوية تسمى الحواسيب الكمومية والمحاكيات لدراسة هذه الرقصة، آملين في حل مشكلات مستعصية على حواسيبنا العادية. ولكن هنا تكمن المشكلة: كلما كبرت هذه الآلات، تصبح "الرقصة" معقدة للغاية لدرجة أن وصفها يشبه محاولة تدوين كل حركة لمليار راقص في آن واحد. إن كمية المعلومات المطلوبة تنمو بسرعة كبيرة لدرجة أنها ترهق حتى أسرع الحواسيب الفائقة في العالم.

لجعل هذا الفوضى مفهومة، يتجه العلماء إلى نوع جديد من المساعدين: الذكاء الاصطناعي (AI). فكر في الذكاء الاصطناعي كمحقق فائق الذكاء بارع حقًا في رصد الأنماط وسط أكوام ضخمة من البيانات الفوضوية. بدلًا من محاولة تدوين كل قاعدة من قواعد الرقص الكمومي، يراقب الذكاء الاصطناني الراقصين، ويتعلم عاداتهم، ويتنبأ بما سيفعلونه بعد ذلك. هذا البحث هو دليل سياحي ضخم عبر أحدث الطرق التي يستخدم بها العلماء هؤلاء المحققين من الذكاء الاصطناعي لفهم الأنظمة الكمومية. إنه يستكشف ثلاثة "أساليب" مختلفة من محققي الذكاء الاصطناعي — بعضهم جيد في الرياضيات البسيطة، وبعضهم مفكرون عميقون قادرون على تعلم الهياكل المعقدة، وبعضهم مثل آلات القراءة الفائقة التي يمكنها تخمين الخطوة التالية في قصة ما. الهدف هو معرفة أي محقق هو الأفضل لكل مهمة، مما يساعدنا في بناء حواسيب كمومية أفضل واكتشاف أسرار جديدة للطبيعة.

الصورة الكبيرة: لماذا نحتاج إلى الذكاء الاصطناعي للآلات الكمومية

يبني العلماء حاليًا آلات كمومية تصبح أكبر وأكثر قوة، حيث تهدف بعضها إلى التعامل مع حوالي 100 كيوبت منطقي (النسخة الكمومية من بتات الكمبيوتر) بعمق يصل إلى حوالي 10,000 خطوة. هذا هو عصر "الميجا-كيوبت" (megaquop). ومع ذلك، مع نمو هذه الآلات، يصبح وصف سلوكها كابوسًا. فمساحة الاحتمالات تنمو بشكل أسي، مما يعني أنه مقابل كل كيوبت جديد يُضاف، تتضاعف التعقيدات مرتين ومرتين أخرى. الأساليب التقليدية، مثل محاولة محاكاة النظام على كمبيوتر عادي، تصطدم بحائط لأنها لا تستطيع تخزين أو معالجة هذا القدر الهائل من المعلومات.

هنا يأتي دور الذكاء الاصطناعي. فبدلًا من محاولة حساب كل احتمال، يتعلم نماذج الذكاء الاصطناعي من البيانات. إنهم ينظرون إلى نتائج التجارب ويتعلمون التنبؤ بما سيحدث بعد ذلك، أو إعادة بناء شكل النظام الكمومي دون الحاجة إلى قياس كل جزء منه. يعمل هذا البحث المراجعي كخريطة، حيث ينظم الطرق المختلفة التي يُستخدم بها الذكاء الاصطناعي لمعالجة هذه المشكلات. وهو يقسم المجال إلى ثلاثة "نماذج" أو أساليب رئيسية للتعلم: تعلم الآلة (ML)، والتعلم العميق (DL)، والنماذج اللغوية (LM).

المحققون الثلاثة للذكاء الاصطناعي

ينظم البحث أدوات الذكاء الاصطناعي هذه في تسلسل هرمي، تمامًا مثل صندوق الأدوات حيث تختار الأداة المناسبة للمهمة.

1. عباقرة الرياضيات: تعلم الآلة (ML)
اعتبر نماذج تعلم الآلة بمثابة "عباقرة الرياضيات" في المجموعة. فهم ممتازون في إيجاد العلاقات الخطية في البيانات. إذا كنت تريد التنبؤ بخاصية بسيطة، مثل مدى مغناطيسية مادة ما أو مقدار طاقة نظام ما، فإن هذه النماذج فعالة جدًا.

• كيف تعمل: تأخذ بيانات من التجارب (مثل لقطات للنظام الكمومي) وتستخدم حيلًا رياضية ذكية لرسم خط يناسب البيانات. وهي بارعة في التنبؤ بـ "الخصائص الخطية"، وهي الأشياء التي تُجمع بشكل جيد، مثل متوسط الطاقة أو المغناطيسية.
• ماذا وجدوا: يوضح البحث أن هذه النماذج يمكنها التنبؤ بهذه الخصائص بدقة عالية ولديها ضمانات رياضية صارمة بأنها لن تحتاج إلى الكثير من البيانات للقيام بذلك. على سبيل المثال، نجحت في التنبؤ بخصائص لأنظمة تصل إلى 51 ذرة أو 127 كيوبت.
• الحدود: ومع ذلك، يوضح البحث بوضوح حدًا رئيسيًا: فهؤلاء "العباقرة" يعانون مع المشكلات المعقدة وغير الخطية. إذا تصرف النظام الكمومي بطريقة ليست خطًا مستقيمًا بسيطًا (مثل أنواع معينة من الأطوار الكمومية أو التشابك)، فقد تفشل هذه النماذج. في الواقع، يشير البحث إلى أنه بالنسبة لبعض المشكلات الكمومية الصعبة جدًا، لا يمكن لأي نموذج ذكاء اصطناعي كلاسيكي حلها بكفاءة، وقد نحتاج إلى حواسيب كمومية فعلية لتعلم الإجابات.

2. المفكرون العميقون: التعلم العميق (DL)
إذا كانت نماذج تعلم الآلة هي عباقرة الرياضيات، فإن نماذج التعلم العميق هي "المفكرون العميقون". فهم يستخدمون شبكات عصبية معقدة (طبقات من الأعصاب الاصطعية) يمكنها تعلم الأنماط والهياكل الخفية التي ليست واضحة.

• كيف تعمل: هذه النماذج رائعة في أمرين. أولاً، يمكنها التنبؤ بمجموعة واسعة من الخصائص في وقت واحد، وليس فقط الخصائص البسيطة. يمكنهم تخمين أشياء مثل "التشابك" (مدى ارتباط الجسيمات) أو "الدقة" (مدى قرب التجربة الحقيقية من النظرية المثالية). ثانيًا، يمكنهم العمل كنماذج "توليدية". فبدلًا من مجرد التنبؤ برقم، يمكنهم تعلم "إنشاء" بيانات جديدة تبدو تمامًا مثل النظام الكمومي. هذا يشبه المزور الذي يتعلم رسم نسخة مثالية من لوحة فنية دون أن يرى اللوحة الأصلية قط.
• ماذا وجدوا: استُخدمت هذه النماذج لإعادة بناء الحالات الكمومية لأنظمة تصل إلى 100 كيوبت ولتصنيف مختلف أطوار المادة (مثل التمييز بين المغناطيس وغير المغناطيس). كما تُستخدم لإصلاح الأخطاء في الحواسيب الكمومية، حيث تعمل مثل سماعات إلغاء الضوضاء للبيانات الكمومية.
• التنبيه: رغم قوتها، يشير البحث إلى أننا لا نفهم تمامًا لماذا تعمل بشكل جيد. فهي غالبًا ما تكون "صناديق سوداء". أيضًا، في بعض الاختبارات المحددة، أدت نماذج تعلم الآلة البسيطة أداءً يضاهي النماذج المعقدة للتعلم العميق، مما يشير إلى أنه لبعض المهام، قد لا يكون التعقيد الإضافي ضروريًا.

3. رواة القصص: النماذج اللغوية (LM)
المجموعة الأحدث والأكثر إثارة هي "رواة القصص"، القائمة على نفس التكنولوجيا التي تشغل روبوتات الدردشة مثل GPT. هذه هي النماذج اللغوية الكبيرة (LLMs) المكيفة للفيزياء الكمومية.

• كيف تعمل: تخيل نظامًا كموميًا كقصة. "الشخصيات" هي الكيوبتات، و"الحبكة" هي كيفية تغيرها بمرال زمن. يتم تدريب النماذج اللغوية على قراءة آلاف من هذه "القصص" (البيانات الكمومية) وتعلم قواعد ميكانيكا الكم. يستخدمون مرحلة "ما قبل التدريب" لتعلم القواعد العامة للكون، ثم مرحلة "الضبط الدقيق" ليصبحوا خبراء في مهام محددة.
• ماذا وجدوا: هذه النماذج مرنة للغاية. يمكن تدريبها على مجموعة متنوعة هائلة من الأنظمة الكمومية ثم تكييفها بسرعة للتنبؤ بأشياء جديدة ببيانات إضافية قليلة جدًا. تم تدريب بعض النماذج للتنبؤ بطاقة الأنظمة المعقدة أو لتعلم "الهاميلتوني" (قاعدة كيفية تطور النظام) بمجرد النظر إلى بيانات القياس.
• الإمكانات: يشير البحث إلى أن هذه النماذج يمكن أن تصبح "نماذج تأسيسية" للعلوم الكمومية — أدوات عالمية يمكن تطبيقها على أي مشكلة كمومية تقريبًا، من محاكاة مواد جديدة إلى تصحيح أخطاء الحواسيب الكمومية.

الأسئلة الكبرى والألغاز المفتوحة

البحث لا يكتفي بسرد ما ينجح فحسب، بل يسلط الضوء أيضًا على ما لا نعرفه بعد. فهو يطرح عدة أسئلة كبرى لا يزال العلماء يحاولون الإجابة عليها:

• هل يمكننا تقديم ما هو أفضل من الرياضيات البسيطة؟ يتساءل البحث عما إذا كانت هناك نماذج ذكاء اصطناعي فعالة بشكل مثبت يمكنها التعامل مع المشكلات الكمومية المعقدة وغير الخطية، أم أننا عالقون في التنبؤات البسيطة.
• هل نحتاج إلى الآلة الكمومية للتعلم؟ يستكشف البحث ما إذا كان بإمكاننا التعلم عن نظام كمومي بمجرد النظر إلى البيانات التي ينتجها (القائم على القياس) أم أننا بحاجة للتفاعل مع الآلة في الوقت الفعلي. يشير البحث إلى أنه بالنسبة لبعض المهام، قد يكون التفاعل مع الآلة ضروريًا للحصول على الإجابة الصحيحة.
• هل النماذج المعقدة أفضل حقًا؟ بينما يبدو التعلم العميق والنماذج اللغوية مصطلحات براقة، يشير البحث إلى أنه في بعض الاختبارات المباشرة، لم تتفوق دائمًا على النماذج الأبسط. نحن بحاجة إلى اختبارات أكثر صرامة لمعرفة متى يستحق التعقيد الإضافي العناء.
• هل يمكننا بناء ذكاء اصطناعي كمومي شامل؟ الهدف النهائي هو إنشاء ذكاء اصطناعي عام يمكنه تعلم أي نظام كمومي، لكننا لم نصل إلى ذلك بعد. النماذج الحالية غالبًا ما تكون جيدة في أنظمة معينة ولكنها تعاني في التعميم على كل شيء.

الطريق نحو المستقبل

يختتم البحث بنظرة تفاؤلية. نحن ننتقل من مرحلة "النماذج التجريبية"، حيث يختبر العلماء الأفكار على أنظمة صغيرة وبسيطة، إلى مرحلة "العالم الحقيقي"، حيث تُطبق هذه الأدوات على حواسيب كمومية ضخمة وحقيقية. يتضمن المستقبل بناء مجموعات بيانات أفضل، وإنشاء اختبارات معيارية لمقارنة نماذج الذكاء الاصطناعي، ودمج الذكاء الاصطناعي مباشرة في الأجهزة والبرمجيات الخاصة بالآلات الكمومية.

في النهاية، يشير هذا البحث إلى أن الذكاء الاصطناعي ليس مجرد مساعد، بل هو جزء أساسي من مستقبل العلوم الكمومية. سواء كان نموذج رياضيات بسيطًا يتنبأ بقوة مغناطيس ما، أو نموذج لغوي ضخم يحاكي مادة جديدة، فإن هذه الأدوات ضرورية لفتح أسرار العالم الكمومي. ومع نمو الآلات الكمومية لتصل إلى مقياس "الميجا-كيوبت"، سيكون الذكاء الاصطناعي هو الجسر الذي يسمح لنا بفهمها والتحكم فيها، محولًا التعقيد المستحيل للرقصة الكمومية إلى قصة يمكننا أخيرًا قراءتها.