How Much Reconstruction Does Quantum Machine Learning Need? Late Fusion of Independently Trained Quantum Subcircuits
تقترح هذه الورقة "الدمج المتأخر"، وهو بديل منخفض التكلفة ومقاوم للضجيج لإعادة البناء ذات التكلفة الأسية في تعلم الآلة الكمي القائم على قطع الدوائر، حيث يتم دمج الدوائر الفرعية المدربة بشكل مستقل عبر رأس كلاسيكي لتحقيق دقة تضاهي إعادة البناء الكامل عبر مختلف المعايير المرجعية.
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 حل لغز صور مقطعة (jigsaw puzzle) عملاق ومستحيل، ولكن ليس لديك سوى طاولة صغيرة للعمل عليها. لا يمكنك استيعاب الصورة بأكملها دفعة واحدة، لذا يتعين عليك تقسيم اللغز إلى قطع أصغر يمكن التعامل معها. هذه هي المعاناة اليومية للعلماء الذين يعملون في مجال تعلم الآلة الكمي (Quantum Machine Learning). إنهم يريدون بناء "أدمغة كمية" قوية (تسمى الشبكات العصبية الكمية)، لكن الحواسيب الكمية اليوم تشبه تلك الطاولات الصغيرة—فهي لا تملك مساحة كافية (كيوبتات/qubits) لاستيعاب الدماغ بأكمله في آن واحد.
وللتغلب على ذلك، يستخدم الباحثون حيلة تسمى تقطيع الدوائر (circuit cutting). الأمر يشبه أخذ ذلك اللغز العملاق وتفكيكه، وحل القطع الصغيرة على طاولات مختلفة، ثم محاولة لصق الإجابات ببعضها البعض. المشكلة هي أن الطريقة القديمة في لصقها معاً مكلفة للغاية وفوضوية؛ فهي تتطلب تشغيل اللغز الصغير نفسه آلاف المرات وإجراء عملية حسابية معقدة وضخمة لإعادة بناء الصورة الأصلية. إنه يشبه محاولة إعادة بناء مزهرية محطمة من خلال قياس كل شظية بدقة وحساب الزاوية الدقيقة لكل صدع؛ الأمر يستغرق وقتاً طويلاً وهو هش للغاية. السؤال الكبير الذي كان العلماء يطرحونه هو: هل نحتاج حقاً إلى كل هذا العمل الشاق للحصول على إجابة جيدة، أم أن هناك طريقة أبسط؟
هذه الورقة البحثية، التي تحمل عنوان "كم يحتاج تعلم الآلة الكمي من إعادة البناء؟"، تغوص في هذا السؤال باستخدام فكرة ذكية جديدة تسمى الدمج المتأخر (Late Fusion). يقترح المؤلفون، برابجوت سينغ، وأديل ن. توسي، وراجكومار بيا من جامعة ملبورن، أنه بدلاً من محاولة إعادة بناء الصورة الكمية العملاقة بشكل مثالي، يمكننا فقط ترك القطع الصغيرة تحل مشاهلها الخاصة ثم نستخدم "صمغاً" بسيطاً وذكياً (برنامج كمبيوتر كلاسيكي صغير) لدمج تخميناتها النهائية.
إليك السحر الذي وجدوه: غالباً لا تحتاج إلى الصمغ المكلف على الإطلاق.
اكتشف الباحثون أنه بالنسبة لمعظم مهام تعلم الآلة، فإن المعلومات اللازمة لاتخاذ قرار صحيح هي في الواقع "محلية". فكر في الأمر كفريق من المحققين؛ إذا كان لديك محققان ينظران إلى أجزاء مختلفة من مسرح الجريمة، وكانت الأدلة التي يحتاجان إليها موجودة أمامهما مباشرة، فهما لا يحتاجان إلى مشاركة كل تفصيل من تحقيقاتهما للإمساك بالمجرم. يمكنهما فقط كتابة استنتاجاتهما النهائية وتسليمها إلى مشرف يقوم بدمجهما. في العالم الكمي، يعني هذا أنه يمكن تدريب وقياس الدوائر الكمية الصغيرة بشكل مستقل تماماً. بعد ذلك، يأخذ كمبيوتر كلاسيكي صغير ورخيص (رأس الدمج/fusion head) نتائجهم ويقدم التنبؤ النهائي.
تظهر الورقة أن طريقة "الدمج المتأخر" هذه تضاهي في دقتها طريقة إعادة البناء المكلفة في الدقة لمهام معيارية مثل التعرف على الأرقام المكتوبة بخط اليد أو تصنيف الزهور. بل إنها في الواقع أفضل في التعامل مع الضجيج. لأن الطريقة القديمة تحاول إعادة بناء الحالة الكمية بدقة، فإنها تضخم الأخطاء الصغيرة (مثل التشويش على خط راديو)، مما يجعل النتيجة أسوأ كلما كبر حجم اللغز. أما الطريقة الجديدة فتتجاهل "التشويش" الكمي المعقد بين القطع وتركز فقط على الإجابات النهائية، مما يجعلها أكثر متانة.
ومع ذلك، فإن المؤلفين حذرون جداً في توضيح ما ليست عليه هذه الطريقة. فهم يصرحون بوضوح أن هذا لا يعني أن الحواسيب الكمية قد تفوقت فجأة على الحواسيب الكلاسيكية في هذه المهام. في الواقع، في مجموعات البيانات المعيارية التي اختبروها، قدم كمبيوتر كلاسيكي مضبوط جيداً أداءً يضاهي طريقتهم الكمية. الاختراق هنا ليس في أن الكمي "أذكى"؛ بل في أنه أصبح فعالاً. لقد أثبتوا أنه إذا كنت ستستخدم تقطيع الدوائر، فيمكنك التخلي عن خطوة إعادة البناء المكلفة وتوفير كم هائل من الوقت والطاقة دون فقدان الدقة.
وللتأكد من أنهم لم يغفلوا شيئاً، أنشأ المؤلفون "مقياس الكمية" (Quantumness Dial). هذه أداة تسمح لهم بالانتقال بسلاسة بين "الدمج النقي" (بدون أي إعادة بناء على الإطلاق) و"إعادة البناء الكامل" (الطريقة المكلفة). وجدوا أنه بالنسبة للمهام التي تكون فيها المعلومات محلية حقاً، يمكنك الانتقال تماماً إلى "الدمج النقي" دون أي فقدان في الدقة. لكنهم حددوا أيضاً حداً فاصلاً: إذا كانت البيانات "متشابكة" (entangled) بعمق (بمعنى أن الأدلة مختلطة لدرجة أنك يجب أن تنظر إلى الصورة بأكملها في وقت واحد لفهمها)، فإن الدمج يفشل، وتحتاج حينها إلى إعادة البناء المكلفة. حتى أنهم ابتكروا أداة تشخيصية لقياس هذا "التشابك" مسبقاً، بحيث تعرف بالضبط متى تستخدم الطريقة الرخيصة ومتى تضطر لاستخدام الطريقة المكلفة.
باختصار، تشير هذه الورقة إلى أنه بالنسبة للعديد من مهام تعلم الآلة الكمي العملية، يمكننا التوقف عن محاولة إعادة بناء المزهرية المحطمة بشكل مثالي. بدلاً من ذلك، يمكننا فقط الاستماع إلى القطع، ودمج قصصها باستخدام أداة بسيطة، والحصول على نفس النتيجة بتكلفة أقل بكثير. إنها طريقة أكثر عملية ومقاومة للضجيج لاستخدام أجهزتنا الكمية الحالية المحدودة، حتى لو لم تمنحنا "قوة خارقة" تتفوق على الحواسيب الكلاسيكية بعد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.