Exploiting biased noise in variational quantum models
تتحدى هذه الورقة استراتيجيات تخفيف الضجيج التقليدية من خلال إثبات أن الحفاظ على الضجيج المنحاز وغير الموحد في الخوارزميات الكمومية التباينية يمكن أن يعزز في الواقع التحسين الكلاسيكي ويؤدي إلى حلول أفضل، في حين أن جعل الضجيج متماثلاً من خلال عملية "التدوير" (twirling) غالباً ما يؤدي إلى تدهور الأداء.
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 أنك تحاول تعليم روبوت رسم لوحة مثالية لغروب الشمس. لديك فرشاة خاصة يمكنها خلط الألوان، لكن الطلاء نفسه فوضوي بعض الشيء؛ فهو يقطر، أو يتلطخ، أو يتزحزح قليلاً في كل مرة تلمس فيها اللوحة. في عالم الحوسبة الكمومية، يُطلق على هذا "الطلاء الفوضوي" اسم الضجيج (noise). إنه التشويش غير المرغوب فيه الذي يحدث لأن الآلات الكمومية التي نمتلكها اليوم هشة وحساسة لبيئتها. لقد حاول العلماء بناء فرش أفضل وطلاء أنظف، لكنهم اصطدموا بحائط مسدود: حتى مع أفضل الأدوات، قد يعلق الروبوت أحياناً، عاجزاً عن تعلم الصورة لأن الضجيج يجعل عملية التعلم مربكة للغاية.
لإصلاح ذلك، استخدم الباحثون تقليدياً تقنية تسمى التدوير (twirling). فكر في الأمر كأنك تأخذ لطخة طلاء مشوهة وفوضوية وتقوم بتدويرها حول نفسها حتى تبدو اللطخات متماثلة في جميع الاتجاهات. الفكرة هي أنه إذا جعلت الضجيج "عادلاً" ومنتظماً، فسيصبح من السهل التنبؤ به وإلغاؤه. الأمر يشبه محاولة السير وسط حشد حيث يدفعك الجميع بشكل عشوائي؛ إذا استطعت بطريقة ما جعل الجميع يدفعون بنفس القوة وفي نفس الاتجاه، فقد تتمكن ببساطة من الاستناد إلى تلك القوة والاستمرار في الحركة. هذا البحث يطرح سؤالاً مفاجئاً للغاية: ماذا لو جعل الضجيج "عادلاً" يجعل الأمر في الواقع أصعب على الروبوت للتعلم؟ ماذا لو كانت اللطخات المشوهة وغير المتوازنة هي في الواقع ما يساعد الروبوت على معرفة الاتجاه الذي يجب أن يسلكه؟
هذا البحث، الذي يحمل عنوان "استغلال الضجيج المنحاز في النماذج الكمومية التباينية"، يبحث في هذا السؤال تحديداً. يستقصي المؤلفون، كونور فان روسوم، وسالي شرابنل، وريده غوبتا، كيف يؤثر أنواع مختلفة من الضجيج على الخوارزميات الكمومية التباينية (VQAs). هذه الخوارزميات هي برامج هجينة يقوم فيها الحاسوب الكمومي بالمهام الشاقة، بينما يعمل حاسوب كلاسيكي (مثل جهاز الكمبيوتر المحمول الخاص بك) كمدرب، يقوم بتعديل الإعدادات لتقليل الأخطاء. وجد الباحثون أن تقنية "التدوير" التقليدية، التي تعمل على تنعيم الضجيج لجعله منتظماً، تضر بعملية التعلم في الواقع. بدلاً من ذلك، اكتشفوا أن الحفاظ على الضجيج "منحازاً" — أي أنه يدفع في اتجاه محدد وغير متساوٍ — يمكن أن يساعد المحسن الكلاسيكي (classical optimizer) في العثور على حلول أفضل.
استخدم الفريق خدعة رياضية ذكية لإثبات ذلك. لقد نظروا إلى نموذج كمومي محدد مصمم لتعلم الأنماط (مثل التعرف على الأشكال أو التنبؤ بالأرقام) وحللوا كيف يغير الضجيج "المشهد" (landscape) الذي يحاول الكمبيوتر التنقل فيه. وجدوا أن الضجيج المنتظم، مثل النوع الذي ينتجه التدوير، يعمل مثل ضباب كثيف يؤدي إلى تسطيح المشهد، مما يجعل من المستحيل على المحسن رؤية المسار أمامه. في المقابل، فإن الضجيج المنحاز (مثل تخميد السعة، حيث تتسرب الطاقة بطريقة معينة) يخلق منحدرًا لطيفًا. وعلى الرغم من وجود الضجيج، إلا أن هذا المنحدر يعطي المحسن تلميحاً، أو "انحيازاً اتجاهياً"، يساعده على توجيه النموذج نحو إجابة أفضل.
في تجاربهم، اختبروا ذلك على مسألة كلاسيكية تسمى نموذج إيسينج للمجال المستعرض (transverse-field Ising model)، وهو بمثابة لغز يُستخدم لمحاكاة المواد المغناطيسية. عندما تركوا الضجيج منحازاً، وجد الحاسوب الكمومي حالات ذات طاقة أقل (حلول أفضل) مما وجده عندما أجبروا الضجيج على أن يكون منتظماً عبر التدوير. كما أظهروا أن نوعاً آخر من الأخطاء، يسمى الأخطاء المتماسكة (coherent errors) (والتي تشبه تحرك الفرشاة قليلاً عن المسار ولكن بطريقة يمكن التنبؤ بها)، يمكن إصلاحه تماماً بمجرد تعديل إعدادات النموذج، دون الحاجة إلى أي حيل خاصة لإلغاء الضجيج.
الخلاصة الكبرى هنا هي تحول غير متوقع: أحياناً، محاولة جعل كل شيء متماثلاً ونظيفاً تماماً تؤدي في الواقع إلى تعطل النظام. من خلال الحفاظ على الانحيازات الطبيعية وغير المتساوية للضجيج، قد نحصل على نتائج أفضل في تدريب الحواسيب الكمومية. وبينما تستند هذه النتائج إلى عمليات محاكاة ونماذج نظرية، إلا أنها تتحدى القاعدة القياسية لكيفية التعامل مع الأخطاء في الحوسبة الكمومية. فبدلاً من محاربة الضجيج لجعله منتظماً، يقترح المؤلفون أننا قد نحصل على نتائج أفضل إذا تعلمنا كيف نرقص مع الانحياز.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.