Re-uploading quantum data: a universal function approximator for quantum inputs
تقترح هذه الورقة وتحلل بنية إعادة رفع بيانات كمومية فعالة في المساحة تحقق تقريب الدوال الشامل لأي مدخلات كمومية من خلال التفاعل المتسلسل لكيوبت مساعد مع نسخ متعددة من حالة المدخل عبر سلسلة متقطعة من الخرائط الموجبة تماماً.
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 مجال تعلم الآلة الكمي الناشئ، يحاول الباحثون تعليم الحواسيب كيفية التعرف على الأنماط واتخاذ القرارات باستخدام القواعد الغريبة للفيزياء الكمية. وبينما تعالج الحواسيب التقليدية المعلومات كبتات (bits) تكون إما صفراً أو واحداً، تستخدم الحواسيب الكمية البتات الكمية، أو "الكيوبتات" (qubits)، والتي يمكن أن توجد في مزيج من الحالات في آن واحد. وهذا يسمح لها بالتعامل مع البيانات المعقدة بطرق لا تستطيع الآلات الكلاسيكية القيام بها. وقد كان أحد العوائق الرئيسية في هذا المجال هو كيفية تغذية هذه الآلات بالبيانات. بالنسبة للبيانات القياسية، مثل الأرقام أو الصور، طور العلماء طريقة تسمى "إعادة رفع البيانات" (data re-uploading). تتضمن هذه التقنية أخذ قطعة من المعلومات وتغذيتها في دائرة كمية صغيرة عدة مرات، طبقة تلو الأخرى. وفي كل مرة تدخل فيها البيانات، تتفاعل مع الدائرة، مما يبني فهماً أكثر تعقيداً للمدخلات. وقد أثبت هذا النهج قوته للبيانات الكلاسيكية، حيث سمح حتى للدوائر الصغيرة جداً بتعلم وظائف معقدة للغاية. ومع ذلك، ظلت هناك فجوة كبيرة عندما تكون البيانات نفسها كمية. فخلافاً للرقم الذي يمكنك كتابته على ورقة، لا يمكن قياس الحالة الكمية أو قراءتها مباشرة دون تدمير معلوماتها الدقيقة. وهذا يعني أن استراتيجية إعادة الرفع الناجحة لم يكن من الممكن ببساطة نسخها للمدخلات الكمية، مما ترك نقطة عمياء في كيفية تدريب الآلات على البيانات الكمية.
لقد نجح فريق من الباحثين الآن في سد هذه الفجوة من خلال اقتراح بنية جديدة تسمح للحاسوب الكمي بإعادة رفع البيانات الكمية مباشرة. يوضح عملهم أن سجلاً كمياً واحداً صغيراً يمكنه أن يتعلم تقريب أي دالة مستمرة لحالة كمية مجهولة، بشرط تزويده بنسخ جديدة كافية من تلك الحالة. الفكرة الجوهرية لعملهم هي عملية يعمل فيها "كيوبت إشارة" واحد كطالب، يتفاعل بالتتابع مع سلسلة من النسخ المتطابقة من حالة "المدخلات" الكمية. في كل خطوة من العملية، يلتقي كيوبت الإشارة بنسخة جديدة من المدخلات. ويتفاعلان من خلال عملية كمية محددة تربطهما تشابكياً، مما ينقل المعلومات بفعالية من المدخلات إلى كيوبت الإشارة. ومباشرة بعد هذا التفاعل، يتم التخلص من نسخة المدخلات أو إعادة ضبطها، ويتم إحضار نسخة جديدة مطابقة للجولة التالية. ومع ذلك، يتم الاحتفاظ بكيوبت الإشارة والسماح له بحمل المعلومات المتراكمة إلى الطبقة التالية. ومن خلال تكرار هذه الدورة مرات عديدة، يبني كيوبت الإشارة سجلاً معقداً لخصائص الحالة الكمية، والذي يمكن بعد ذلك قراءته كإجابة نهائية.
أثبت الباحثون رياضياً أن هذه الطريقة عالمية، مما يعني أنها يمكنها نظرياً تعلم أي دالة للحالة الكمية المدخلة، بغض النظر عن مدى تعقيدها، طالما كان عدد الطبقات والنسخ كافياً. ومن النتائج الرئيسية أن هذه العالمية تظل قائمة حتى لو كانت الحالة المدخلة مكونة من العديد من الكيوبتات، بينما تظل وحدة المعالجة مجرد كيوبت واحد. ويمثل هذا مكسباً كبيراً في الكفاءة، إذ يعني أن المتطلبات العتادية لا تتضخم في الحجم مع زيادة تعقيد المهمة. تعمل هذه البنية من خلال محاكاة تأثير إعادة رفع البيانات الكلاسيكية، ولكن بدلاً من تغذية الأرقام، يتم تغذيتها بالحالات الكمية الفيزيائية نفسها. وقد أظهر الباحثون أنه باستخدام العديد من التفاعلات الضعيفة بين الإشارة والنسخ الجديدة من المدخلات، يمكن للنظام تقريب نفس التحويلات القوية التي تكون ممكنة عندما تكون البيانات معروفة وكلاسيكية بالفعل.
ولاختبار ما إذا كان هذا الإطار النظري يعمل في الممارسة العملية، أجرى الفريق سلسلة من محاكاة الحاسوب. قاموا بتدريب نموذجهم على مهام متنوعة، بما في ذلك ملاءمة المنحنيات متعددة الحدود المعقدة وتصنيف الحالات الكمية بناءً على خصائصها. في إحدى التجارب، طلبوا من النموذج التمييز بين الحالات الكمية بناءً على "نقاوتها" (purity)، وهي مقياسة لمدى المعلومات المحتواة داخل الحالة مقابل مقدار المعلومات المفقودة بسبب الضجيج. ووجدوا أنه مع طبقة واحدة فقط من التفاعل، لم يكن أداء النموذج أفضل من التخمين العشوائي. ومع ذلك، مع إضافة المزيد من الطبقات، مما سمح لكيوبت الإشارة بالتفاعل مع المزيد من نسخ المدخلات، تحسنت الدقة بشكل كبير، لتصل إلى أكثر من 98 بالمائة مع أربع طبقات. كما لوحظ نجاح مماثل عندما طُلب من النموذج تصنيف الحالات بناءً على "تشابكها" (entanglement)، وهو مقياس لمدى ترابط أجزاء النظام الكمي بعمق. وأكدت عمليات المحاكاة أن النموذج يمكنه التعرف على هذه الميزات غير الخطية الدقيقة للبيانات الكمية التي فاتتها النماذج الأبسط.
كما سلطت الدراسة الضوء على مقايضة جوهرية في كيفية بناء هذه الأنظمة. تستخدم الطريقة المقترحة تقنية تسمى "إعادة استخدام الكيوبت" (qubit reuse)، حيث يتم استخدام نفس السجل الصغير مراراً وتكراراً مع نسخ جديدة من المدخلات. وهذا يحافظ على عدد الكيوبتات الفيزيائية المطلوبة منخفضاً جداً، مما يجعلها مناسبة للأجهزة الكمية الحالية والقريبة المستقبلية التي تمتلك عتاداً محدوداً. ومع ذلك، أشار الباحثون إلى أن هذا النهج ليس الطريقة الوحيدة لمعالجة البيانات؛ فهناك بديل يتمثل في استخدام دائرة ضخمة تحتفظ بجميع النسخ من المدخلات في وقت واحد وتعالجها معاً. وبينما قد يكون هذا النهج المتوازي أكثر قوة من الناحية النظرية، إلا أنه سيتطلب عدداً من الكيوبتات ينمو مع عدد الطبقات، مما يتجاوز قدرات التكنولوجيا المتاحة بسرعة. وتوفر طريقة إعادة الرفع مساراً فعالاً من حيث المساحة، مما يثبت أن ذاكرة كمية صغيرة قابلة لإعادة الاستخدام يمكن أن تكون بنفس القدر من التعبير عن ذاكرة أكبر وثابتة، شريطة منحها الوقت والبيانات الجديدة للتعلم.
وقد كان الباحثون حذرين في الإشارة إلى أنه بينما يضمن إثباتهم الرياضي أن النظام يمكنه تعلم أي دالة، إلا أنه لا يضمن أنه سيفعل ذلك بسهولة أو سرعة لكل مهمة ممكنة. أظهرت عمليات المحاكاة أن النموذج قابل للتدريب ويمكنه إيجاد الحلول، لكن المسار نحو تلك الحلول يعتمد على المشكلة المحددة وعدد الطبقات المستخدمة. كما أشاروا إلى أن العمل الحالي يركز على سجل إشارة مكون من كيوبت واحد، وستحتاج الأبحاث المستقبلية إلى استكشاف ما إذا كان استخدام نظام إشارة أكبر يمكن أن يجعل التعلم أكثر كفاءة. وفي نهاية المطاف، يوفر هذا العمل مخططاً جديداً لكيفية تعلم الآلات الكمية مباشرة من البيانات الكمية، مما يفتح الباب أمام خوارما تعمل بشكل أصيل على المعلومات الكمية الموجودة في الطبيعة، بدلاً من الاعتماد على الأوصاف الكلاسيكية التي قد يكون من المستحيل الحصول عليها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.