Qkabrine: A Joint Architecture, Encoding, and Hyperparameter Search Framework for Quantum Machine Learning
تقدم هذه الورقة qkabrine-automl، وهو إطار عمل بلغة بايثون يوحد عملية البحث عن بنيات دوائر تعلم الآلة الكمي، وتشفيرات البيانات، وأنواع النماذج، والمعلمات الفائقة في فضاء تكوين واحد، مع دمج أدوات تشخيص القابلية للتدريب وأدوات النشر في عصر الأجهزة الكمية ذات الضجيج (NISQ) لمعالجة سير العمل المجزأ المطلوب حالياً لبناء نماذج تعلم آلة كمي تنافسية.
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
في مجال تعلم الآلة الكمي الناشئ، يحاول الباحثون تعليم الحواسيب كيفية التعلم من البيانات باستخدام القواعد الغريبة للفيزياء الكمية. فبدلاً من رقائق السيليكون القياسية الموجودة في أجهزة الكمبيوتر المحمولة اليوم، تستخدم هذه الأنظمة دوائر كمية، وهي عبارة عن تسلسلات من العمليات الدقيقة التي تُجرى على جسيمات تسمى الكيوبتات (qubits). ولجعل هذه الدوائر تتعلم، يجب على العلماء أولاً ترجمة البيانات العادية، مثل الصور أو السجلات الطبية، إلى لغة العالم الكمي. ثم يصممون نمطاً محدداً من العمليات، يُعرف باسم "البنية" (architecture)، ويختارون طريقة لضبط إعدادات الدائرة حتى تتمكن من تقديم تنبؤات دقيقة. وتكمن التحديات في أن هناك طرقاً لا حصر لها لترتيب هذه العمليات وتشفير البيانات، ومعظم هذه التوليفات لا تعمل بشكل جيد. فبعض التصاميم معقدة للغاية لدرجة أن عملية التعلم تتعثر، وتصبح غير قادرة على إيجاد مسار للتحسن، بينما البعض الآخر بسيط للغاية بحيث لا يمكنه استيعاب الأنماط الضرورية. وعادة ما يتطلب العثور على التوليفة الصحيحة خبيراً بشرياً يقوم بالتخمين والاختبار وتعديل كل جزء على حدة، وهي عملية بطيئة وغير مؤكدة غالباً ما تؤدي إلى طرق مسدودة.
تهدف أداة برمجية جديدة تسمى qkabrine-automl، طورها إريك جاغوارا في مختبرات سوليد إلف (Solid Elf Labs) في أوغندا، إلى إزالة هذا التخمين عبر التعامل مع عملية التصميم بأكملها كبحث موحد وشامل. فبدلاً من إجبار الباحث على اختيار شكل الدائرة أولاً ثم القلق بشأن كيفية تغذيتها بالبيانات، تستكشف هذه البرمجية البنية، وتشفير البيانات، ونوع النموذج، وإعدادات التدريب جميعها في آن واحد. وهي تعمل كدليل شامل يختبر آلاف التكوينات المحتملة ليرى أي منها قادر بالفعل على التعلم. والأهم من ذلك، تتضمن الأداة نظام إنذار مبكر مدمجاً يتحقق من أوضاع الفشل الشائعة قبل إضاعة الوقت في عمليات تدريب كاملة. فهي تبحث عن علامات تشير إلى أن الدائرة معقدة للغاية بحيث لا يمكنها التعلم، وهي مشكلة تُعرف باسم "الهضبة القاحلة" (barren plateau) حيث تختفي إشارة التعلم، أو علامات تشير إلى أن الدائرة بسيطة للغاية بحيث لا تكون مفيدة. ومن خلال تصفية هذه التصاميم غير القابلة للتطبيق مبكراً، تضمن البرمجية أن الوقت المحدود وقدرة الحوسبة المتاحة تُنفق فقط على المرشحين الأكثر واعدية.
لقيد الباحثين بناء هذه الأداة لتعمل بسلاسة مع مكتبات البرمجيات الكمية الحالية، مما يسمح لها باختبار استراتيجيات مختلفة لإيجاد التصميم الأفضل. وتتراوح هذه الاستراتيجيات من البحث العشوائي البسيط إلى أساليب أكثر تطوراً تتعلم من النتائج السابقة لتوجيه الخطوة التالية. وتقيم البرمجية كل مرشح من خلال تشغيله عبر اختبار متسق، حيث تتحقق ليس فقط من مدى جودة تعلمه، بل أيضاً من مدى قدرته على التعامل بمتانة مع الضجيج والقيود الموجودة في الأجهزة الكمية الحالية. وبمجرد أن يحدد البحث التصميم الفائز، تقوم الأداة بعملية تنظيف نهائية، حيث تزيل الأجزاء غير الضرورية من الدائرة لجعلها أكثر كفاءة للاستخدام في العالم الحقيقي. ثم تترجم التصميم النهائي إلى تنسيق قياسي يمكن تشغيله على آلات كمية فعلية، مما يسد الفجوة بين التصميم النظري والتطبيق العملي.
ولإثبات أن النظام يعمل، أجرى الفريق اختباراً صغيراً قابلاً للتكرار بالكامل باستخدام مجموعة بيانات معروفة حول سرطان الثدي. وقد طلبوا من البرمجية إيجاد دائرة كمية يمكنها التمييز بين الحالات الخبيثة والحميدة باستخدام أربعة كيوبتات فقط، وهو عدد صغير جداً بالمعايير الكمية. استمر البحث لمدة 100 ثانية، حيث اختبر ستة تصميمات مختلفة للدوائر. ونجحت البرمجية في تحديد دائرة بسيطة وضحلة حققت دقة بلغت 93.9 بالمائة على مجموعة من بيانات الاختبار التي لم ترها من قبل. لم يكن الهدف من هذه النتيجة إثبات أن الحواسيب الكمية أفضل من الحواسيب التقليدية في هذه المهمة، ولا كانت مقارنة مع أدوات مؤتمتة أخرى. بدلاً من ذلك، كان الهدف ببساطة هو إظهار أن البرمجية يمكنها أخذ مشكلة من العالم الحقيقي، والتنقل في الفضاء المعقد لخيارات التصميم، وإنتاج دائرة صالحة للاستخدام وقابلة للتصدير دون تدخل بشري.
ويحرص المؤلف على ملاحظة أن هذه خطوة أولى وليست حلاً نهائياً. فالبرمجية تعمل حالياً على حواسيب تقليدية تحاكي السلوك الكمي، بدلاً من العمل على أجهزة كمية فعلية، كما أن مساحة البحث التي تستكشفها محدودة بمجموعة محددة مسبقاً من التصاميم. وهي لا تدعي بعد أنها حلت مشكلة تعلم الآلة الكمي أو أنها تفوقت على الأساليب الموجودة. ومع ذلك، فهي تقدم طريقة جديدة للتعامل مع هذا المجال، حيث توفر للباحثين أداة خفيفة ومتكاملة تتولى العمل الممل المتمثل في الإعداد والتشخيص. ومن خلال جعل البحث عن النماذج الكمية الصالحة للعمل أكثر منهجية وأقل عرضة للفشل، تساعد هذه الأداة الباحثين على التركيز على العلم بدلاً من الصراع من أجل إيجاد تصميم يعمل على الإطلاق. ويقف هذا العمل كمساهمة عملية في المنظومة المتنامية للأدوات الكمية المؤتمتة، حيث يقدم مساراً واضحاً وقابلاً للتكرار لأولئك الذين يتطلعون إلى بناء الجيل القادم من أنظمة التعلم الكمي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.