Hybrid Quantum-Classical Machine Learning Algorithms for Multi-Output Time-Series Forecasting at Utility Scale
تثبت هذه الورقة جدوى التعلم الآلي الهجين بين الكمي والكلاسيكي للتنبؤ بالسلاسل الزمنية متعددة المخرجات على نطاق المرافق من خلال تقييم إطارين عمل، وهما الحوسبة الخزانية الكمية المعتمدة على النواة (Kernelized Quantum Reservoir Computing) وعمليات غاوس النووية الكمية المسقطة (Projected Quantum Kernel Gaussian Processes)، على مجموعة بيانات عدادات ذكية لـ 103 منازل باستخدام المعالج الكمي "IBM Marrakesh"، حيث حقق كلا النموذجين تخفيضات كبيرة في الخطأ مقارنة بالنماذج الكلاسيكية المرجعية على أجهزة المحاكاة وحافظا على أداء تنافسي على أجهزة الحوسبة الكمية ذات القياس المتوسط والضجيج (NISQ).
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 التنبؤ بمقدار استهلاك الكهرباء لـ 100 عائلة مختلفة في الساعات القادمة. الأمر ليس مجرد تخمين؛ بل هو محاولة لرصد الأنماط في رقصة فوضوية من الأرقام. فبعض العائلات تستهلك طاقة أكبر عندما يكون الجو بارداً، وأخرى عندما يشاهدون التلفاز، وغالباً ما تتشابه عاداتهم مع بعضهم البعض.
هذه الورقة البحثية تتحدث عن فريق من الباحثين يحاول حل هذا اللغز باستخدام نوع جديد من الحواسيب: حاسوب كمي-كلاسيكي هجين. فكر في هذا كفريق حيث يقوم "عقل كمي" فائق السرعة ومستقبلي بالعمل الشاق لرصد الأنماط المعقدة، بينما يتولى "عقل كلاسيكي" تقليدي (مثل الحاسوب المحمول الذي تستخدمه اليوم) العمليات الحسابية النهائية واتخاذ القرارات.
إليك تفصيل لتجربتين رئيسيتين قاموا بهما، مشروحة ببساطة:
التحدي: الحاسوب الكمي "المزعج" (الضجيج)
لم يمتلك الباحثون حاسوباً كمياً مثالياً ومستقبلياً. لقد استخدموا جهازاً حقيقياً من الجيل الحالي (يسمى جهاز NISQ) موجوداً في مختبر. فكر في هذا الحاسوب كعازف موسيقى بارع ولكنه مشتت الذهن قليلاً؛ يمكنه عزف موسيقى معقدة للغاية (حل مسائل رياضية صعبة)، لكنه يتشتت بسبب الضجيج (أخطاء الأجهزة) وقد يعزف نوتة خاطئة بين الحين والآخر. كان الهدف هو معرفة ما إذا كان بإمكان هذا "العازف المشتت" أن يساعد في التنبؤ باستهلاك الكهرباء بشكل أفضل من الحاسوب التقليدي.
التجربة الأولى: "غرفة الصدى" (KQRC-RM)
التشبيه: تخيل كهفاً كبيراً مليئاً بالصدى (المستودع/Reservoir). أنت تصرخ بصوت داخل الكهف (بيانات الكهرباء)، فيرتد الصوت ويتداخل مع أصداء الأصوات السابقة. الطريقة التي يستقر بها الصوت تخبرك عن شكل الكهف.
- كيف تعمل: قاموا بتغذية بيانات الكهرباء داخل "كهف" كمي. ومع ارتداد البيانات داخل النظام الكمي، خلقت نمطاً معقداً من الأصداء. ثم قاموا بـ "الاستماع" إلى هذه الأصداء بشكل متكرر (القياس المتكرر/Repeated Measurement) لمعرفة كيف سيكون استهلاك الكهرباء في المستقبل.
- النتيجة:
- في المحاكي (الكهف المثالي): عندما قاموا بتشغيل هذا على محاكاة حاسوبية مثالية، كانت النتيجة مذهلة. فقد تنبأوا بالاستهلاك المستقبلي بدقة أعلى بنسبة 37% (أي بنقص في الخطأ قدره 37%) مقارم بأفضل طريقة حاسوبية تقليدية.
- على الأجهزة الحقيقية (الكهف المزعج): عندما قاموا بتشغيلها على الحاسوب الكمي الفعلي، وقف "الضجيج" في طريقهم. أصبحت التنبؤات أسوأ، وارتفع معدل الخطأ في الواقع مقارنة بالحاسوب التقليدي.
- الخلاصة: فكرة "غرفة الصدى" تعمل بشكل رائع من الناحية النظرية، ولكن في الوقت الحالي، الأجهزة الكمية الحقيقية "مزعجة" جداً بحيث لا تجعل النتائج أفضل من الحاسوب التقليدي لهذه المهمة المحددة.
التجربة الثانية: "مراقبة الحي المحلي" (Projected Quantum Kernel Gaussian Process)
التشبيه: تخيل أنك تحاول التنبؤ بالطقس في مدينة كاملة. بدلاً من محاولة قياس الغلاف الجوي بأكمله دفعة واحدة (وهو أمر صعب وعرضة للأخطاء)، فإنك تنظر فقط إلى أحياء محلية صغيرة. إذا كان الحي المحلي مشمساً، فإنك تفترض أن المدينة بأكملها من المرجح أن تكون مشمسة. هذا النهج "محلي" و"قوي".
- كيف تعمل: تم تصميم هذا النموذج ليكون "مقاوماً للضجيج". فبدلاً من النظر إلى الحالة الكمية بأكملها (وهي حالة هشة)، فإنه ينظر فقط إلى قطع صغيرة من المعلومات المحلية (مثل التحقق من عدد قليل من الكيوبتات في كل مرة). ثم يستخدم "العملية الغاوسية" (أداة إحصائية ذكية) للتخمين بناءً على هذه القرائن المحلية.
- النتيجة:
- في المحاكي: حقق نجاحاً هائلاً، حيث قلل أخطاء التنبؤ بنسبة 62% مقارنة بالطرق القياسية.
- على الأجهزة الحقيقية: حتى مع الحاسوب الكمي المزعج، لا يزال يتفوق على الحاسوب التقليدي بنسبة 40%.
- الاختبار الكبير (100 عائلة): جربوا هذا على نطاق واسع، بالتنبؤ لـ 100 عائلة في وقت واحد باستخدام 100 "بت" كمي (كيوبت).
- تم التنبؤ بـ 49% من العائلات بدقة عالية جداً (خطأ منخفض).
- 31% كانت في نطاق دقة "متوسطة".
- 20% سجلت أخطاءً عالية.
- لماذا حدثت الأخطاء؟ وجد الباحثون أن الـ 20% الذين حصلوا على تنبؤات سيئة قد تم تخصيصهم للأجزاء "الأكثر ضجيجاً" في الشريحة الكمية (مثل الكيوبتات التي تشعر بالإرهاق أو التي لديها مدى انتباه قصير). لو تم تخصيص العائلات للأجزاء "الأكثر صحة" من الشريحة، لكانت النتائج على الأرجح أفضل بكتم.
الخلاصة النهائية
تزعم الورقة البحثية أن:
- الأمر ممكن: يمكننا الآن تشغيل هذه التنبؤات المعقدة لاستهلاك الكهرباء لعدة عائلات على حواسيب كمية حقيقية تضم أكثر من 100 كيوبت.
- الأمر واعد ولكنه غير مثالي: طريقة "مراقبة الحي المحلي" (التجربة 2) هي الفائزة. فهي قوية بما يكفي للتعامل مع الضجيج في الأجهزة الحالية وتتفوق على الحواسيب التقليدية.
- الأجهزة مهمة: تعتمد جودة التنبؤ بشكل كبير على الجزء الذي تستخدمه من الشريحة الكمية. إذا كانت الشريحة مزعجة في مكان معين، فستكون التنبؤات لذلك المكان سيئة.
باختصار: أثبت الباحثون أن الفريق الهجين (كمي + كلاسيكي) يمكنه التنبؤ باستهلاك الكهرباء بشكل أفضل من الفريق الكلاسيكي وحده، حتى على الحواسيب الكمية الحالية غير المثالية. ومع ذلك، فإن "التفوق الكمي المثالي" لا يزال ينتظر أن تصبح الأجهزة أكثر هدوءاً وموثوقية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.