QCOEM: Quantum Cloud Orchestration with Evolutionary Multi-Objective Optimization

ازدحام المرور الكمي

تخيل عالماً لا تكتفي فيه الحواسيب بعدّ الأرقام، بل ترقص مع الاحتمالات. هذا هو مجال الحوسبة الكمية، وهو مجال تستخدم فيه الآلات جسيمات متناهية الصغر تسمى "الكيوبتات" (qubits) لحل مشكلات قد تستغرق الحواسيب الفائقة آلاف السنين لإنجازها. لكن هذه الآلات في الوقت الحالي تشبه فنانين رقيقين ومتقلبين المزاج؛ فهي تعيش في مرحلة يسميها العلماء "المرحلة الكمية متوسطة المقياس ذات الضجيج" (NISQ). فكر فيها كسيارات سباق عالية الأداء ولكنها حساسة للغاية تجاه الطقس؛ إذ يمكن لشرارة بسيطة من الكهرباء الساكنة أو تغير طفيف في درجة الحرارة أن يفسد أداءها.

ولأن هذه الآلات نادرة ومكلفة للغاية، فلا يمكننا ببساطة شراء واحدة لكل شخص. بدلاً من ذلك، تُقدم كخدمة عبر الإنترنت، تماماً مثل استئجار حاسوب فائق عبر السحابة. وهذا ما يسمى "الكم كخدمة" (Quantum-as-a-Service). ومع ذلك، فإن إدارة أسطول من هذه الحواسيب الكمية الهشة والمختلفة في مظهرها يعد كابوساً. فبعضها سريع ولكنه يرتكب الأخطاء كثيراً، والبعض الآخر بطيء ولكنه دقيق جداً. وبعضها يعاني من أجزاء معطلة (تسمى "الضجيج")، كما أن طوابير الانتظار الخاصة بها تتغير في كل ثانية. إذا أرسلت مسألة رياضية معقدة إلى الآلة الخاطئة في الوقت الخاطئ، فقد تكون النتيجة مجرد هراء. السؤال الكبير الذي يواجه العلماء هو: كيف نقرر تلقائياً أي مهمة تذهب إلى أي آلة للحصول على أفضل إجابة بأسرع وقت ممكن، دون التسبب في انهيار النظام؟

المجدول الذكي: QCOEM

هنا يبرز QCOEM، وهو "شرطي مرور" جديد للسحابة الكمية، اقترحه الباحثون تام ن. فام، وهوا ت. نجوين، وكوان لي-ترونج. فبدلاً من استخدام قواعد قديمة وبسيطة لتوزيع المهام (مثل "أرسل المهمة التالية إلى أول آلة شاغرة")، يستخدم QCOEM استراتيجية ذكية مستوحاة من الطبيعة تسمى "التحسين متعدد الأهداف التطوري" (Evolutionary Multi-Objective Optimization).

لفهم سبب تميز هذا النهج، تخيل أنك تنظم عرض مواهب مدرسياً ضخماً مع ثلاثة حكام مختلفين يكرهون بعضهم البعض. الحكم (أ) يريد أن ينتهي العرض بأسرع وقت ممكن. الحكم (ب) يريد أن يكون كل عرض مثالياً، حتى لو استغرق ذلك وقتاً أطول. أما الحكم (ج) فيريد التأكد من عدم ازدحام منصة واحدة بينما تظل أخرى فارغة. إذا حاولت فقط إرضاء الحكم (أ)، فقد يكون العرض سريعاً ولكنه مليء بالعروض السيئة. وإذا أردت إرضاء الحكم (ب) فقط، فقد يطول العرض إلى الأبد.

حاولت الطرق القديمة دمج هؤلاء الحكام في درجة واحدة، لكنها غالباً ما فشلت لأن "التوازن المثالي" ليس خطاً مستقيماً، بل هو شكل منحني ومعقد يصعب العثور عليه. ومع ذلك، يستخدم QCOEM خوارزمية تعمل مثل سرب من النمل المتطور؛ فهي تحاول آلاف الطرق المختلفة لتوزيع عروض المواهب على المنصات. هي لا تبحث فقط عن إجابة واحدة "مثلى"، بل تجد قائمة كاملة من الخيارات "الجيدة بما يكفي" التي توازن بين السرعة والدقة والعدالة. ثم يستخدم أداة قرار خاصة (تسمى AASF) لاختيار الجدول الزمني الأفضل بناءً على ما يهمه المستخدم أكثر في تلك اللحظة.

اختبر الباحثون هذا النظام في سحابة كمية محاكية تحتوي على خمسة أنواع مختلفة من الحواسيب الكمية "الافتراضية". وقد غدّوه بمجموعة من المشكلات الكمية الواقعية (مثل تلك المستخدمة في الكيمياء والتمويل) وراقبوا كيفية أدائه مقارنة بالطرق البسيطة القديمة.

كانت النتائج واعدة. ففي هذه المحاكاة، نجح QCOEM في إلغاء الحاجة إلى إعادة جدولة المهام تماماً، في حين اضطرت الطرق القديمة غالباً إلى إعادة المهام إلى طابور الانتظار لأنها وُزعت على آلات معطلة. والأهم من ذلك، أن متوسط جودة الإجابات (التي تسمى "الدقة" أو fidelity) كان أعلى بنحو 30% من الطرق التي تتجاهل الضجيج. كما أظهر النظام أنه من خلال تعديل "الأوزان" (أي إخبار النظام بأن يهتم بالسرعة أكثر أو بالدقة أكثر)، يمكن للمستخدمين الحصول على نتائج مختلفة:

• إذا كنت تريد السرعة، يركز النظام على الآلات الأسرع، ولكن هذا يؤدي أحياناً إلى طوابير انتظار طويلة ودقة أقل.
• إذا كنت تريد الجودة، يختار النظام الآلات الأكثر موثوقية، مما يرفع الدقة إلى حوالي 0.505 (مقارنة بـ 0.376 للطرق القديمة)، رغم أن الوقت الإجمالي يزداد.
• إذا كنت تريد التوازن، يجد النظام نقطة وسط، حيث يحافظ على توزيع الحمل بالتساوي عبر جميع الآلات.

وعلى الرغم من أن النظام يستغرق وقتاً أطول قليلاً لاتخاذ القرار (حوالي 94.58 ثانية لمجموعة كبيرة مكونة من 50 مهمة، مقارنة بأقل من ثانية للطرق البسيطة)، إلا أن الباحثين يشيرون إلى أن هذه مقايضة عادلة. ففي العالم الكمي، حيث يمكن أن يستغرق الانتظار في طابور للحصول على آلة حقيقية ساعات أو أياماً، فإن قضاء دقيقة أو دقيقتين لضمان تعيين المهمة بشكل مثالي هو أمر يستحق العناء.

يخلص البحث إلى أن QCOEM يقدم طريقة لجعل الحوسبة الكمية السحابية أكثر استقراراً وموثوقية. هو لا يدعي حل كل مشكلات الكون، لكنه يقدم طريقة أذكى بكerer للتنقل في الواقع الفوضوي والمشوش للأجهزة الكمية الحالية. ومن خلال التعامل مع مشكلة الجدولة كعملية توازن معقدة بدلاً من كونها مجرد سباق بسيط، يساعد QCOEM في ضمان أننا عندما نسخر القوة الكاملة للحواسيب الكمية أخيراً، لن نضيع وقتنا في الحصول على إجابات خاطئة.