Designing Quantum Error Correcting Codes to fit decoders via Reinforcement Learning
تقدم هذه الورقة إطار عمل للتعلم التعزيزي باستخدام تحسين السياسة القريبة لتصميم مشترك لأكواد تصحيح الخطأ الكمي من نوع "Bivariate Bicycle" وأجهزة فك تشفيرها، مع تحسين عملية توليد الكود لرفع أداء فك التشفير إلى أقصى حد تحت تأثير ضوضاء إزالة الاستقطاب.
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
إن بناء حاسوب يستخدم القوانين الغريبة لميكانيكا الكم لحل المشكلات هو سباق ضد الوقت والضجيج. في هذه الآلات، تُخزن المعلومات في جسيمات متناهية الصغر تسمى الكيوبتات (qubits)، وهي هشة للغاية. فحتى همسة من الحرارة أو مجال مغناطيسي شارد يمكن أن يفسد البيانات التي تحملها، محولاً الحسابات إلى مجرد نفايات. ولإيقاف ذلك، يستخدم العلماء تقنية تسمى تصحيح الخطأ الكمي. فهم يأخذون العديد من الكيوبتات الفيزيائية ويربطونها معاً لتشكيل وحدة معلومات واحدة أكثر استقراراً، تُعرف بالكيوبت المنطقي (logical qubit). هذه العملية تشبه نسج شبكة أمان؛ فإذا انقطع خيط واحد، تمسك الخيوط الأخرى بالهيكل. ومع ذلك، لكي تعمل هذه الشبكة، يجب على الآلة أن تتحقق باستمرار من الأخطاء وتصلحها بسرعة أكبر من ظهور أخطاء جديدة. وهذا يتطلب عمل شيئين في تناغم تام: الكود الذي يحدد كيفية ربط الكيوبتات، والمفكك (decoder)، وهو برنامج حاسوبي سريع يستطيع معرفة ما حدث خطأ وكيفية إصلاحه. وإذا كان الكود معقداً جداً بحيث لا يستطيع المفكك التعامل معه، أو إذا كان المفكك بطيئاً جداً، فإن النظام بأكم له يفشل.
لسنوات عديدة، تعامل الباحثون مع تصميم هذه الأكواد وتصميم المفككات كمهام منفصلة. فقد كانوا يبتكرون كوداً، ثم يحاولون إيجاد مفكك يمكنه قراءته، أو العكس. لكن هذا النهج غالباً ما يخطئ الهدف لأن أداء المفكك يعتمد بشدة على الهيكل المحدد للكود الذي يقرأه. فالمفكك الذي يعمل جيداً مع نوع معين من الأكواد قد يعاني مع نوع آخر، حتى لو بدا كلا الكودين متشابهين على الورق. السؤال المركزي الذي يدفع هذا العمل الجديد بسيط: إذا كنا نعرف بالضبط كيف يعمل مفكك معين، فهل يمكننا تصميم كود خصيصاً لجعل ذلك المفكك يعمل بأفضل أداء ممكن له؟ لقد سعى الباحثون في "إمبريال كوليدج لندن" و"مايكروسوفت ريسيرش" للإجابة على ذلك عبر معاملة إنشاء الكود ليس كمخطط ثابت، بل كرحلة من الاختيارات الصغيرة المتتالية.
ولحل هذه المعضلة، لجأ الفريق إلى فرع من فروع الذكاء الاصطناعي يسمى التعلم التعزيزي (reinforcement learning). تخيل لعبة فيديو حيث يتعلم اللاعب الفوز ليس من خلال إخباره بالقواعد، بل من خلال تجربة حركات مختلفة، ورؤية ما يحدث، وفهم المسار الذي يؤدي ببطء إلى أعلى نتيجة. في هذه الدراسة، "اللاعب" هو وكيل اصطناعي، و"اللعبة" هي بناء كود لتصحيح الخطأ الكمي. يبدأ الوكيل بلوحة بيضاء ويقوم بسلسلة من التعديلات الطفيفة على هيكل رياضي يحدد الكود. بعد كل تغيير صغير، يختبر الوكيل الكود الجديد مقابل مفكك محدد ليرى مدى قدرته على التعامل مع الضجيج المحاكى. إذا كان أداء الكود أفضل، يتلقى الوكيل مكافأة ويتعلم تكرار هذا النوع من التغييرات. وإذا كان الأداء أسوأ، يتعلم الوكيل تجنب ذلك التغيير. وعبر آلاف المحاولات، يتعلم الوكيل استراتيجية لبناء أكواد متناغمة تماماً مع المفكك المقترن بها.
ركز الباحثون على عائلة محددة من الأكواد تُعرف بأكواد "الدراجة ثنائية المتغيرات" (bivariate bicycle codes). وهي نوع من الأكواد الكمية التي يمكن وصفها باستخدام أربعة كثيرات حدود رياضية بسيطة. وبدلاً من البحث عبر مليارات الترتيبات الممكنة للكيوبتات، كان على الوكيل فقط أن يقرر أي المعاملات في هذه الكثيرات الأربعة سيقوم بقلبها. جعل هذا من مساحة البحث مساحة يمكن التحكم فيها. تم تدريب الوكيل باستخدام طريقة تسمى "تحسين السياسة القريبة" (Proximal Policy Optimization)، والتي تضمن أن تكون عملية التعلم مستقرة وفعالة. كان الهدف هو تعظيم رقم واحد يمثل الصحة العامة للكود: المساحة تحت المنحنى الذي يوضح عدد مرات فشل الكود عند مستويات مختلفة من الضجيج. المساحة الأكبر تعني أن الكود أكثر متانة، مما يحافظ على انخفاض الأخطاء حتى عندما تكون البيئة صاخبة.
أظهرت النتائج أن هذا النهج ناجح. فقد تعلم الوكيل بنجاح توليد أكواد جديدة تفوقت على المعايير المصممة يدوياً لنفس المفكك. وفي حالة اختبار محددة تتضمن كوداً مكوناً من 108 كيوبت فيزيائي، وجد الوكيل تكويناً حقق درجة أداء أعلى من أفضل كود معروف سابقاً لهذا الحجم. لم تكن الدراسة مجرد إيجاد كود واحد محظوظ؛ بل أنتجت "سياسة"، أو مجموعة من القواعد، التي يمكن استخدامها لتوليد العديد من هذه الأكواد عالية الأداء. كما اكتشف الباحثون أن الوكيل يمكنه البدء بكود عشوائي وفوضوي، ومن خلال سلسلة من الخطوات الصغيرة والمتعمدة، يقوم بتنقيحه إلى هيكل عالي الكفاءة. وهذا يشير إلى أن العلاقة بين الكود ومفككه ليست ثابتة، بل يمكن تحسينها من خلال عملية تحسين تكرارية.
كان جزء رئيسي من الدراسة يتضمن تعليم الوكيل فهم هيكل الأكود التي يبنيها. صمم الباحثون مكوناً خاصاً للشبكة العصبية يمكنه النظر في الوصف الرياضي لكود ما والتنبؤ بمدى أدائه قبل اختباره بالكامل. عمل هذا المكون كاختصار، مما ساعد الوكيل على التعلم بشكل أسرع من خلال إعطائه دفعة أولية حول شكل الكود الجيد. اختبروا ذلك عبر تدريب المكون على أكواد صغيرة ثم رؤية ما إذا كان بإمكانه مساعدة الوكيل في تصميم أكواد أكبر بكثير لم يسبق له رؤيتها. كانت النتائج مختلطة ولكن واعدة؛ فبينما استطاع المكون التنبؤ بعدد وحدات المعلومات في الكود بدقة عالية عبر أحجام مختلفة، كان التنبؤ بالأداء الدقيق للخطأ أصعب. هذا التوتر يشير إلى أنه بينما يمكن للوكيل تعلم القواعد الهيكلية للأكود الجيدة، فإن الأداء النهائي يعتمد على تفاصيل دقيقة يصعب تعميمها.
كما تسلط الورقة الضوء على قيود النهج الحالي. فقد تم التدريب باستخدام عمليات محاكاة للضجيج، وليس على أجهزة كمية فعلية. وبينما تستند عمليات المحاكاة إلى نماذج واقعية لكيفية حدوث الأخطاء، فإن العالم الحقيقي غالباً ما يكون أكثر فوضوية. لاحظ الباحثون أن طريقتهم تفترض حالياً نوعاً معيناً من الضجيج يؤثر على جميع الكيوبتات بالتساوي، لكن الأجهزة الكمية الحقيقية قد تمتلك أنماط خطأ مختلفة. علاوة على على ذلك، ركزت الدراسة على بنية مفكك ثابتة. وفي المستقبل، يأمل الباحثون في توسيع هذا الأسلوب لتصميم كل من الكود والمفكك في آن واحد، مما يخلق نظاماً يتطور فيه كلا الجزءين معاً لحل المشكلات بكفاءة أكبر. كما أشاروا إلى إمكانية تطبيق هذه الطريقة على أنواع أخرى من الأكود الكمية وبيئات ضجيج مختلفة، مما قد يساعد في بناء حواسيب كمية أكثر موثوقية للمستقبل.
في نهاية المطاف، يوضح هذا العمل أن تصميم أكواد تصحيح الخطأ الكمي لا يجب أن يكون عملية يدوية ثابتة. فمن خلال استخدام الذكاء الاصطناعي لاستكشاف المشهد الشاسع للأكود الممكنة، يمكن للباحثين إيجاد حلول ملائمة تماماً للأدوات المتاحة لديهم. تظهر الدراسة أنه عندما يتم تصميم الكود والمفكك معاً، تكون النتيجة نظاماً أكثر صموداً أمام الأخطاء. وهذه خطوة مهمة نحو بناء حواسيب كمية قابلة للتوسع، مما يثبت أن الجمع الصحيح بين الكود والمفكك يمكن أن يحول الحالة الكمية الهشة إلى أداة قوية للحوسبة. وتشير النتائج إلى أن الطريق نحو الحوسبة الكمية القادرة على تحمل الأخطاء قد لا يكمن فقط في أجهزة أفضل، بل في برمجيات أكثر ذكاءً وتكيفاً تتعلم كيفية حماية المعلومات التي تحملها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.