Solving the traveling salesman problem on qubits with a variational quantum Kolmogorov--Arnold network: exact-gradient CVaR training and generalization over time-dependent graphs
تُثبت هذه الورقة أن شبكة كولموغوروف-أرنولد الكمية التباينية، التي تم تدريبها باستخدام القيمة المتوقعة لشرط العائد المتوقع (CVaR) ذات التدرج الدقيق وإعادة التشغيل بطريقة قفز الحوض، يمكنها حل مسألة البائع المتجول على رسوم بيانية تعتمد على الوقت باستخدام من الكيوبتات فقط، محققةً حلولاً مثالية لما يصل إلى عشرة مواقع مع تقليل متطلبات الكيوبت بشكل كبير مقارنة بالترميز التقليدي بنظام "الواحد-الساخن" (one-hot encoding).
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 سائق توصيل يجب عليه زيارة قائمة من المدن مرة واحدة بالضبط والعودة إلى منزله، بهدف قطع أقصر مسافة ممكنة. هذه هي "مسألة البائع المتجول"، وهي لغز كلاسيكي يقع في قلب العمليات اللوجستية، والجدولة، وتصميم الدوائر. وبينما يكون العثور على المسار المثالي لبضع مدن أمراً سهلاً، فإن الصعوبة تنفجر مع نمو القائمة؛ فلكل مدينة جديدة تُضاف، يتضاعف عدد المسارات الممكنة بسرعة كبيرة لدرجة أن أسرع الحواسيب الفائقة قد تتعثر في محاولة إيجاد المسار الأفضل. لعقود من الزمن، نظر العلماء إلى الحواسيب الكمومية، وهي آلات تستخدم القواعد الغريبة للجسيمات دون الذرية لمعالجة المعلومات، لحل هذه الألغاز. ومع ذلك، ظل هناك عائق رئيسي: كيفية ترجمة المشكلة إلى لغة تفهمها الحاسبات الكمومية دون إغراق العملية الحسابية في الأخطاء والتعقيد غير الضروري.
لقد أظهر باحث في شركة "كوانت سكيب" (QuantScape Inc) طريقة جديدة لتوجيه الحاسوب الكمومي عبر هذا المتاهة، حيث نجح في إيجاء أقصر مسار لخرائط تضم ما يصل إلى عشر مدن. ويعتمد هذا العمل، الذي يستند إلى عمليات محاكاة للأجهزة الكمومية بدلاً من الآلات الفيزيائية، على طريقة تستخدم عدداً أقل بكثير من البتات الكمومية (التي تعد الوحدات الأساسية للمعلومات في الحاسوب الكمومي) مقارنة بالأساليب السابقة. والأهم من ذلك، أنها تظهر أن مجموعة واحدة من التعليمات يمكنها التكيف مع ظروف الطرق المتغيرة، مثل حركة المرور التي تتباين طوال اليوم، دون الحاجة إلى إعادة التدريب لكل سيناريو جديد. وتشير النتائج إلى أنه مع الترميز وتقنيات التدريب الصحيحة، يمكن للحواسيب الكمومية أن تتصدى قريباً لمشكلات التحسين التي لا يمكن الوصول إليها حالياً، بشرط استمرار تحسن الأجهزة.
يكمن التحدي الجوهري في كيفية كتابة المشكلة للآلة. فالطرق التقليدية تخصص بتّاً كمومياً منفصلاً لكل تركيبة ممكنة بين مدينة وموقع في المسار. وبالنسبة لخريطة تضم عشر مدن، يتطلب هذا النهج واحد وثمانين بتّاً، ويجبر الحاسوب على التحقق باستمرار من المسارات غير الصالحة واستبعادها، مما يهدر الوقت والطاقة في عمليات الجزاء (penalties). أما الدراسة الجديدة فتستخدم استراتيجية مختلفة، مستوحاة من نظام رياضي يسمى "كود ليمر" (Lehmer code)، والذي يقوم أساساً بترتيب كل مسار ممكن حسب ترتيبه في قائمة. يتطلب هذا الأسلوب تسعة عشر بتّاً فقط لعشر مدن، وهو اختزال كبير. ومن خلال استخدام هذا الكود المدمج، يمثل كل وضع للحاسوب الكمومي مساراً صالحاً، مما يلغي الحاجة إلى فحوصات الجزاء. ولجعل البحث فعالاً، قام الباحثون بترتيب هذه الأوضاع بحيث يقابل تغيير بت واحد في الكود تغييراً منطقياً صغيراً في المسار، مما يسمح للحاسوب باستكشاف فضاء الحلول بسلاسة.
ولتوجيه الحاسوب الكمومي، استخدم الباحثون نظاماً هجيناً يسمى "شبكة كولموغوروف-أرنولد التباينية الكمومية" (variational quantum Kolmogorov–Arnold network). فكر في هذا النظام كمنظم ذكي يراقب الخريطة والوقت من اليوم، ثم يضبط أزرار الدائرة الكمومية على المواضع الصحيحة. وبدلاً من برمجة الإعدادات لكل خريطة محددة بشكل ثابت، يتعلم هذا المنظم قاعدة عامة: كيفية ضبط الدائرة بناءً على المسافات بين المدن والوقت الحالي. وهذا يسمح للنظام بالتعامل مع الرسوم البيانية المعتمدة على الزمن، حيث تتغير أوقات السفر، مثل شبكة الطاقة أو شبكة الطرق أثناء ساعة الذروة. وقد تم تدريب المنظم باستخدام هدف محدد: تقليل خطر اختيار مسار طويل. فبدلاً من البحث عن الطول المتوسط المطلق، ركز التدريب على أسوأ السيناريوهات ضمن أعلى بضعة بالمائة من النتائج المحتملة، لضمان أن تكون النتيجة النهائية قوية وموثوقة.
كانت عملية التدريب نفسها صارمة، وصُممت لتجنب الفخ الشائع المتمثل في الاستقرار في "الحد الأدنى المحلي" (local minimum)، حيث يستقر الحاسوب عند إجابة "جيدة بما يكفي" بدلاً من الإجابة الأفضل. استخدم الباحثون استراتيجية متعددة الخطوات بدأت ببحث واسع ثم ضيقت التركيز تدريجياً، مدمجة مع تقنية تعمل على هز الإعدادات عمداً للهروب من المآزق. كما استخدموا طريقة تسمى "قفز الحوض" (basin hopping)، والتي تعمل كـ "هزة لطيفة" لمساعدة النظام على القفز خارج الوديان الضحلة في مشهد البحث. وعند اختبارهم على خرائط تضم من أربع إلى عشر مدن، بما في ذلك الأشكال المتماثلة والشبكات العشوائية غير المنتظمة، وجد هذا النهج المسار المثالي في كل حالة من الحالات للخرائط الأصغر. أما بالنسبة لخرائط المدن العشر، وهي أصعب بكثير، فقد وجد النهج المسار الأمثل في 112 من أصل 120 تجربة، وكانت حالات الفشل المتبقية بعيدة بنسبة 1% فقط عن المسافة المثالية.
وعلى نحو حاسم، استبعدت الدراسة عدة أفكار بديلة قد تبدو واعدة. فقد اختبر الباحثون نهجاً أبسط يستخدم عشرة بتات فقط، واحداً لكل مدينة، لتتبع موقع السائق خطوة بخطوة. وفشل هذا النهج تماماً في الخرائط التي تضم ست مدن أو أكثر لأنه لم يستطع تمثيل العلاقات المعقدة بين التوقفات المتتالية. كما قارنوا نتائجهم بخوارزمية كلاسيكية قياسية تُعرف باسم "2-opt"، والتي تعمل على تحسين المسار عن طريق تبديل قطعتين. وبينما تعد "2-opt" فعالة، إلا أن الدائرة الكمومية وفرت نقطة بداية أفضل بكثير، كما أن الجمع بينهما تفوق على كل طريقة بمفردها. وأكدت الدراسة أن النجاح جاء من الطريقة المحددة لترميز المشكلة والتدريب المتطور للمنظم، وليس فقط من قوة الدائرة الكمومية نفسها.
وتسلط النتائج الضوء أيضاً على كفاءة الطريقة فيما يتعلق بالقياس. ففي الحاسوب الكمومي الحقيقي، تتطلب قراءة الإجابة تكرار العملية عدة مرات للحصول على إشارة واضحة. وقد أظهرت عمليات المحاكاة أنه حتى مع 100 قراءة فقط، يمكن للنظام تحديد المسار الأفضل بشكل موثوق. وهذا يشير إلى أنه عندما تتوفر حواسيب كمومية فيزيائية ذات عدد كافٍ من البتات، يمكن لهذه الطريقة تقديم النتائج بسرعة دون الحاجة إلى ملايين التكرارات. وأشار الباحثون إلى أنه على الرغم من أن هذا العمل تم على حاسوب كلاسيكي يحاكي السلوك الكمومي، إلا أن التقنيات مصممة للعمل على أجهزة فعلية. وتتمثل الخطوات التالية في اختبار النظام تحت الظروف الصاخبة للآلات الحقيقية وتوسيع نطاقه ليشمل خرائط أكبر حيث يكون عدد المسارات الممكنة هائلاً بحيث يصعب التحقق منها يدوياً.
يمثل هذا العمل خطوة مهمة نحو جعل التحسين الكمومي أمراً عملياً. فمن خلال حل مشكلة الترميز وإنشاء منظم يمكنه التعميم عبر مختلف الخرائط والأوقات، أظهر الباحثون مساراً نحو آلات يمكنها حل مشكلات التوجيه المعقدة بكفاءة. إن القدرة على التعامل مع التغيرات المعتمدة على الزمن باستخدام معلمة واحدة هي أمر واعد للغاية للتطبيقات الواقعية حيث لا تكون الظروف ثابتة أبداً. وبينما تستمر الرحلة نحو وجود محسن كمومي يعمل بكامل طاقته، توفر هذه الدراسة مخططاً واضحاً لكيفية تدريب هذه الآلات لإيجاد أقصر طريق عبر عالم معقد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.