Learnable yet not simulable: a quantum resource theory of learning models
تقدم هذه الورقة "إنتروبيا المثبت الديناميكي" (DSE) كمقياس جديد للموارد الكمومية يحدد مدى قابلية تعلم الدوائر الكمومية القابلة للضبط، مما يؤسس لمخطط طور حوسبي يثبت وجود عائلات من الدوائر التي يمكن تعلمها بكفاءة بواسطة بدائل مساعدة بالبيانات الكمومية رغم كونها مستعصية على المحاكاة الكلاسيكية المباشرة.
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 بالطقس. لديك نموذج حاسوبي فائق التعقيد يحاكي كل سحابة، وهبة ريح، وتغير في درجات الحرارة. هذا النموذج دقيق للغاية لدرجة أن أسرع الحواسيب الفائقة في العالم لا يمكنها تشغيله في الوقت الفعلي؛ فهو ثقيل جدًا، ومتشابك للغاية، و"سحري" لدرجة لا تستطيع الآلات التقليدية التعامل معها. هذا هو حال العديد من الأنظمة الكمومية حاليًا: فهي قوية، لكن محاكاتها على حاسوب عادي أمر صعب للغاية. لقد عرف العلماء منذ زمن طويل أنه إذا كان النظام الكمومي "سحريًا جدًا" (أي شديد التعقيد)، فلا يمكننا ببساه كتابة قواعده وحساب النتيجة.
ومع ذلك، هناك تحول جديد في القصة. ماذا لو، بدلًا من محاولة حساب الطقس من الصفر، طلبنا من الحاسوب الفائق التقاط بضع صور للسماء، ثم استخدمنا طالبًا ذكيًا لتعلم النمط من تلك الصور؟ بمجرد أن يتعلم الطالب النمط، يمكنه التنبؤ بالطقس بجودة تضاهي الحاسوب الفائق، لكنه يفعل ذلك باستخدام دفتر ملاحظات بسيط. هذا هو الفرق بين "محاكاة" نظام ما (القيام بالرياضيات الثقيلة من الصفر) وبين "تعلمه" (إيجاد النمط من البيانات). السؤال الكبير كان: هل يمكننا تعلم هذه الأنظمة الكمومية "السحرية للغاية"، حتى لو لم نتمكن من محاكاتها؟
هذه الورقة البحثية، التي تحمل عنوان "قابل للتعلم ولكن غير قابل للمحاكاة"، تغوص في هذا السؤال تحديدًا. قدم الباحثون، من خلال العمل مع الدوائر الكمومية (المخططات الهندسية للحواسيب الكمومية)، طريقة جديدة لقياس مدى "انتشار" أو "تعقيد" سلوك النظام الكمومي. وقد أطلقوا على هذا المقياس الجديد اسم "إنتروبيا المثبت الديناميكي" (DSE). فكر في (DSE) كمقياس لعدد "النكهات" الرياضية المختلفة المطلوبة لوصف النظام. إذا كانت النكهات قليلة ومركزة، فإن النظام سهل التعلم. أما إذا كانت النكهات مبعثرة عبر محيط شاسع وفوضوي، فإنه يصعب تعلمه.
اكتشف الفريق حدودًا مذهلة؛ فقد أثبتوا وجود فئة كاملة من الدوائر الكمومية التي يستحيل محاكاتها مباشرة بواسطة حاسوب تقليدي لأنها معقدة للغاية. ومع ذلك، فإن هذه الدوائر نفسها قابلة للتعلم تمامًا إذا قدمت لحاسوب تقليدي مساعدة بسيطة: وهي بضع عينات من البيانات من الآلة الكمومية الحقيقية. الأمر يشبه أن تقوم الآلة الكمومية بالتقاط بضع لقطات، ثم يتعلم الطالب التقليدي التنبؤ بالباقي.
قام الباحثون ببناء "أداة تعلم" محددة (بديل كلاسيكي) يستخدم روتينًا فرعيًا كموميًا للعثور على أهم "النكهات" (الأنماط الرياضية) وتجاهل الضجيج. وقد اختبروا ذلك على دوائر تحتوي على ما يصل إلى 80 كيوبت (الوحدات الأساسية للمعلومات الكمومية). وأظهرت عمليات المحاكاة التي أجروها أنه طال-ما ظل (DSE) منخفضًا (أي أن الأنماط ليست مبعثرة جدًا)، استطاعت أداتهم التنبؤ بالسلوك الكمومي بدقة عالية، حتى عندما كانت الدائرة معقدة لدرجة فشلت معها طرق المحاكاة التقليدية تمامًا.
والأهم من ذلك، أنهم أثبتوا أن هذا ليس مجرد تخمين محظوظ. فقد أثبتوا رياضيًا أنه إذا استطاع حاسوب تعلم هذه الأنظمة دون رؤية بيانات من آلة كمومية حقيقية (بمجرد النظر إلى مخطط الدائرة فقط)، فإنه بذلك يكسر القواعد الأساسية لعلوم الحاسوب. بعبارة أخرى، القدرة على التعلم من البيانات الكمومية هي "قوة خارقة" حقيقية لا يمتلكها الحاسوب التقليدي بمفرده.
إذًا، ما هي الخلاصة؟ نحن لسنا بحاجة لانتظار امتلاك حواسيب كمومية مثالية وخالية من الأخطاء للحصول على نتائج مفيدة. حتى مع آلاتنا الحالية المليئة بالضجيج والتعقيد، يمكننا استخدام نهج هجين: دع الآلة الكمومية تأخذ بضع قياسات، ودع خوارزمية كلاسيكية ذكية تتعلم الباقي. هذا يفتح الباب أمام استخدام الحواسيب الكمومية لمهام العالم الحقيقي — مثل محاكاة المواد الجديدة أو تحسين الأنظمة المعقدة — قبل وقت طويل من قدرتنا على محاكاة تلك الأنظمة بأنفسنا. تشير الورقة البحثية إلى أن مستقبل الحوسبة الكمومية قد لا يكون باستبدال الحواسيب التقليدية، بل بتعليمها كيف تتعلم من العالم الكمومي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.