Towards Real-time Control of a CartPole System on a Quantum Computer
تقدم هذه الورقة استقصاءً شاملاً لوكيل هجين أدنى من النوع (كمي-كلاسيكي) يتحكم في نظام "CartPole" على معالج كمي فائق التوصيل فيزيائي، مما يثبت أن نموذج الكيوبت الواحد يتفوق على النظراء الكلاسيكيين مع تحديد المقايضات الحرجة بين ميزانيات عدد الطلقات (shot budgets) وترددات التحكم، وتحقيق تغذية راجعة منخفضة زمن الوصول عبر البرمجة المباشرة لإلكترونيات القراءة.
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 موازنة عصا مكنسة على يده. هذا تحدٍ كلاسيكي في علم الروبوتات يُعرف باسم "CartPole". عادةً، نقوم بتعليم الروبوتات باستخدام الحواسيب التقليدية (مثل تلك الموجودة في حاسوبك المحمول). ولكن ماذا لو حاولنا تعليمها باستخدام حاسوب كمي؟
هذا البحث هو بمثابة "تقرير درجات" لتلك التجربة. لقد طرح الباحثون ثلاثة أسئلة كبيرة:
- هل يمكن لحاسوب كمي صغير أن يتعلم موازنة عصا المكنسة بشكل أسرع من الحاسوب العادي؟
- هل يصاب الروبوت بالارتباك إذا دربناه بسرعة معينة ثم طلبنا منه العمل بسرعة مختلفة؟
- هل يمكننا جعل الحاسوب الكمي سريعاً بما يكفي للتحكم في الروبوت في الوقت الفعلي، أم أنه بطيء جداً؟
إليك تفصيل لنتائجهم، باستخدام تشبيهات بسيطة.
1. "الدماغ الصغير" مقابل "الدماغ الكبير"
الإعداد:
بنى الباحثون "دماغاً هجيناً" للروبوت. هو في الأساس حاسوب عادي، ولكن لديه جزء كمي واحد صغير (كيوبت واحد، وهو يشبه العملة الكمية التي يمكن أن تكون "صورة" أو "كتابة" أو كليهما في آن واحد). قارنوا هذا بـ "دماغ كبير" مكون بالكامل من أجزاء حاسوبية قياسية (شبكة عصبية عميقة).
النتيجة:
كان الدماغ الكمي الصغير سريعاً للغاية.
- التشبيه: تخيل طالبين يخضعان للاختبار. "الطالب صاحب الدماغ الكبير" يحتاج إلى قراءة الكتاب 430 مرة قبل أن يحصل على درجة "امتياز". أما "طالب الدماغ الكمي الصغير" فيحتاج فقط إلى قراءة الكتاب 160 مرة ليحصل على نفس الدرجة.
- العقبة: حدثت هذه القفزة في السرعة حتى عندما اضطر الدماغ الكمي لتخمين إجاباته عن طريق رمي العملة مرات عديدة (وهي طريقة تسمى "إزاحة المعاملات" أو parameter-shift) بدلاً من معرفة الإجابة بدقة تامة. لقد أثبت ذلك أن نموذجاً كمياً صغيراً جداً يمكن أن يكون فعالاً بشكل مدهش في التعلم.
2. مشكلة "مطب السرعة" (التدريب مقابل القيادة)
الإعداد:
في العالم الحقيقي، يحتاج الروبوت إلى اتخاذ قرارات بسرعة كبيرة (مثل 50 مرة في الثانية). ومع ذلك، فإن الحواسيب الكمية مليئة بالضجيج وبطيئة. للحصول على إجابة واضحة من العملة الكمية، يتعين عليك غالباً رميها مرات عديدة (ما يسمى بـ "اللقطات" أو shots).
- المقايضة: إذا رميت العملة مرات قليلة جداً، ستكون الإجابة مشوشة (مثل محاولة سماع همس وسط عاصفة). أما إذا رميتها مرات كثيرة جداً، فسيستغرق الأمر وقتاً طويلاً، وسيسقط الروبوت قبل أن يتمكن من الاستجابة.
التجربة:
قام الباحثون بتدريب الروبوت بسرعات مختلفة، ثم اختبروه بسرعات مختلفة لمعرفة ما إذا كان سيصاب بالارتباك. لقد أنشأوا "خريطة حرارية" ضخمة (مثل الخريطة الجوية) توضح مدى جودة توازن الروبوت تحت ظروف مختلفة.
النتيجة:
- سرعة "الاستدلال" هي الأهم: لم يهم مدى سرعة تدريب الروبوت، بل ما يهم هو مدى سرعة قيادته (الاستدلال). إذا سُمح للروبوت باتخاذ القرارات بسرعة (تردد عالٍ)، فسيوازن نفسه جيداً. أما إذا أُجبر على القيادة ببطء، فسوف يسقط.
- المزيد من الرميات = استقرار أكبر: إذا كان على الروبوت القيادة ببطء، فقد تمكنوا من إصلاح ذلك عبر إعطائه المزيد من "اللقطات" (أي رمي العملة أكثر للحصول على إجابة واضحة).
- نقطة التوازن المثالية: يجب عليك إيجاد توازن. أنت بحاجة لأن يقود الروبوت بسرعة و أن يمتلك وقتاً كافياً للحصول على إجابة كمية واضحة. يوفر البحث خريطة تساعد المهندسين في العثور على هذا التوازن المثالي لروبوتات المستقبل.
3. "الازدحام المروري" مقابل "الطريق السريع" (زمن الاستجابة/الكمون)
الإعداد:
هذا هو الجزء الأكثر أهمية. حتى لو تعلم الحاسوب الكمي جيداً، فإنه سيكون بلا فائدة إذا كان بطيئاً جداً في الاستجابة في الوقت الفعلي.
- المشكلة: عادةً، عندما تستخدم حاسوبًا كميًا عبر السحابة (Cloud)، يتعين عليك إرسال طلبك عبر الكثير من "البيروقراطية" (طبقات البرمجيات، المترجمات، تأخيرات الإنترنت). الأمر يشبه محاولة قيادة سيارة سباق عبر مدينة مليئة بإشارات التوقف، وإشارات المرور، وأعمال البناء.
- الطريقة القديمة: باستخدام البرمجيات القياسية، كان بإمكان الروبوت اتخاذ قرار واحد فقط كل 0.14 مرة في الثانية. كان في حالة نوم تقريباً.
الاختراق:
قرر الباحثون تجاوز "البيروقراطية". قاموا ببرمجة الأجهزة (Hardware) للحاسوب الكمي مباشرة، مثل سائق سيارة سباق يأخذ طريقاً مختصراً عبر طريق سريع خاص.
- النتيجة: من خلال إلغاء الوسطاء، قاموا بتسريع الروبوت بمقدار 40 ضعفاً. أصبح بإمكان الروبوت الآن اتخاذ قرارات 6.2 مرة في الثانية.
- الحد الأقصى: رغم أن 6.2 مرة في الثانية هي تحسن هائل، إلا أنها لا تزال ليست سريعة بما يكفي لموازنة عصا مكنسة تحتاج إلى الموازنة 50 مرة في الثانية. ومع ذلك، فإن هذا يثبت أن "الازدحام المروري" كان هو المشكلة الرئيسية، وليس الفيزياء الكمية نفسها.
الخلاصة
هذا البحث هو "إثبات مفهوم" يقول:
- نعم، يمكن لدماغ كمي صغير أن يتعلم مهمة الموازنة بشكل أسرع من دماغ كلاسيكي كبير.
- نعم، يمكننا رسم خريطة توضح بالضبط مدى السرعة والدقة التي يحتاجها الحاسوب الكمي لمنع الروبوت من السقوط.
- نعم، يمكننا جعل الحواسيب الكمية سريعة بما يكفي لتكون مفيدة للتحكم، ولكن فقط إذا توقفنا عن استخدام البرمجيات البطيئة والقياسية وتحدثنا مباشرة مع الأجهزة.
لم يبنِ الباحثون سيارة ذاتية القيادة أو روبوتاً طبياً بعد. لقد أثبتوا فقط أن المحرك (التعلم الكمي) يعمل، وعرفوا كيفية إزالة الازدحام المروري (زمن الاستجابة) حتى يتمكن من القيادة بشكل أسرع في المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.