Measurement-Budget Allocation in Quantum Learning with Finite-Shot Generalization Guarantees

في مجال تعلم الآلة الكمي الناشئ، يحاول الباحثون تعليم الحواسيب كيفية التعرف على الأنماط باستخدام القوانين الغريبة للفيزياء الكمية. هذه الآلات، التي لا تزال في مراحلها الأولى، تعمل وفق مبادئ تختلف جوهرياً عن الحواسيب الكلاسيكية التي نستخدمها كل يوم. فبدلاً من معالجة "البتات" (bits) التي تكون إما صفراً أو واحداً بشكل صارم، تقوم هذه الآلات بمعالجة الحالات الكمية، والتي يمكن أن توجد في حالات تراكب معقدة. ولإجراء تنبؤ ما، يجب على الحاسوب الكمي قياس هذه الحالات، لكن عملية القياس هي عملية احتمالية؛ فهي لا تكشف عن إجابة واحدة محددة على الفور. بدلاً من ذلك، تنتج نتيجة عشوائية، والتي عند تكرارها مرات عديدة، تكشف عن الاحتمالية الكامنة لنتيجة معينة. تُعرف هذه العملية بـ "قاعدة بورن" (Born rule)، وهي الجسر الذي يربط بين العالم الكمي والبيانات التي يحتاج علماء البيانات للتعلم منها.

ولأن هذه الآلات لا تزال قيد البناء وغالباً ما يتم الوصول إليها عبر خدمات سحابية، فإنها تأتي مع قيود صارمة على عدد المرات التي يمكن فيها تشغيل التجربة. يُسمى هذا الحد بـ "ميزانية القياس". وفي كل مرة يقوم فيها الحاسوب بتشغيل دائرة لجمع البيانات، فإنه يستهلك جزءاً من هذه الميزانية. التحدي المركزي الذي يواجه العلماء هو اتخاذ القرار بشأن كيفية إنفاق هذا المورد المحدود. يجب عليهم الاختيار بين تشغيل التجربة مرات عديدة على عدد قليل من نقاط البيانات المختلفة للحصول على قراءة دقيقة جداً لكل منها، أو تشغيلها مرات أقل على عدد كبير من نقاط البيانات المختلفة لبناء صورة أوسع. إن الخطأ في تحقيق هذا التوازن قد يعني أن الحاسوب لن يتعلم شيئاً مفيداً، إما لأنه رأى أمثلة قليلة جداً ليتعمم عليها، أو لأن قراءاته لتلك الأمثلة مشوبة بالكثير من الضجيج بحيث لا يمكن الوثوق بها.

لقد تصدى باحث يدعى فرحات أوزغور تشاتك (Ferhat Ozgur Catak) لهذه المشكلة المحددة المتعلقة بتخصيص الموارد لتعلم الكم. يركز العمل على المصنفات الثنائية (binary classifiers)، وهي أنظمة مصممة لتصنيف الحالات الكمية إلى فئة واحدة من فئتين، مثل "نعم" أو "لا". كان الهدف هو تحديد الطريقة المثلى لتقسيم عدد إجمالي ثابت من القياسات بين عدد الأمثلة التدريبية المتميزة وعدد المرات التي يتم فيها قياس كل مثال. أثبتت الدراسة أن هناك مقايضة رياضية دقيقة هنا: فزيادة عدد الأمثلة التدريبية تقلل نوعاً واحداً من الخطأ، بينما زيادة عدد القياسات لكل مثال تقلل نوعاً آخر من الخطأ. إذا أنفق العالم ميزانيته بالكامل على مجرد أمثلة قليلة مع آلاف القياسات، فقد يعرف تلك الأمثلة القليلة بدقة، لكنه سيفشل في فهم النمط الأوسع. وعلى العكس من ذلك، إذا وزع ميزانيته بشكل مفرط على آلاف الأمثلة مع قياس واحد فقط لكل منها، فإن الضجيج في البيانات سيطغى على أي إشارة.

استنتجت الورقة قاعدة محددة لإيجاد "النقطة المثالية" بين هذين الطرفين. وتظهر أن الاستراتيجية الأفضل ليست تعظيم أحد الجانبين أو الآخر، بل إيجاد حل وسط حيث يتم موازنة عدد الأمثلة التدريبية وعدد القياسات لكل مثال بطريقة محددة. تعتمد هذه الموازنة على حجم النظام الكمي وإجمالي الميزانية المتاحة. وجد الباحثون أن العدد الأمثل للأمثلة التدريبية ينمو مع الجذر التربيعي لإجمالي الميزانية، معدلاً بعامل لوغاريتمي. وهذا يعني أنه كلما حصلت على موارد أكثر، يجب عليك زيادة كل من عدد الأمثلة والقياسات لكل مثال، ولكن ليس بطريقة بسيطة (واحد لواحد). توفر القاعدة الناتجة توجيهاً متحفظاً، مما يضمن أنه حتى في أسوأ السيناريوهات، سيعمل نظام التعلم ضمن نطاق دقة يمكن التنبؤ به.

وللتحقق من هذه النظرية، أجرى الباحثون عمليات محاكاة مكثفة باستخدام منصة برمجية تسمى "بيني لين" (PennyLane). واختبروا قاعدتهم على حجمين مختلفين من الأنظمة الكمية: أحدهما يتكون من "كيوبت" (qubit) اثنين، والآخر يتكون من أربعة "كيوبتات". كما أنشأوا تسعة مجموعات بيانات اصطناعية مختلفة، تتراوح من مجموعات سهلة الفصل إلى أنماط أكثر تعقيداً وتداخلاً. وفي كل اختبار، قارنوا الأداء الفعلي لنظام التعلم بالحد النظري الذي تنبأت به قاعدتهم الجديدة. كانت النتائج متسقة: لم تتجاوز معدلات الخطأ في العالم الحقيقي هامش الأمان النظري. وأكدت عمليات المحاكاة أن استراتيجية التخصيص المقترحة تعمل كأداة تخطيط موثوقة، مما يبقي النظام بأمان ضمن حدود الأداء المتوقعة له.

كما توضح الدراسة لماذا قد تكون العديد من تجارب التعلم الكمي الحالية غير فعالة. فالممارسة الشائعة في هذا المجال هي استخدام عدد كبير جداً من القياسات لعدد صغير جداً من الحالات التدريبية. ويشير التحليل إلى أن هذا النهج غالباً ما يترك النظام في حالة "محدودة العينات" (sample-limited)، حيث يكون نقص الأمثلة المتنوعة هو العائق الأساسي، وليس دقة القياسات. ومن خلال نقل الموارد لتضمين المزيد من الحالات التدريبية المتميزة، حتى لو كان ذلك يعني قبول قراءات أكثر ضجيجاً لكل منها، يمكن تحسين الأداء العام للتعلم بشكل كبير. توفر هذه الرؤية طريقة عملية للعلماء لتصميم تجارب أفضل على الأجهزة الحالية غير الكاملة، دون الحاجة لانتظار طفرات تكنولوجية مستقبلية.

وعلى الرغم من أن النتائج توفر أساساً إحصائياً صلباً للتخطيط، إلا أن المؤلف يشير بحذر إلى حدود عمله. تنطبق القاعدة في الحالات التي تكون فيها إعدادات القياس ثابتة أو مختارة بشكل مستقل عن البيانات، كما هو الحال عند تقييم نموذج تم تدريبه بالفعل. وهي لا تغطي بعد في الوقت الحالي السيناريو الأكثر تعقيداً حيث يتم تعديل إعدادات القياس ديناميكياً أثناء عملية التدريب نفسها. علاوة على ذلك، يفترض التحليل بيئة مثالية حيث يكون المصدر الوحيد للخطأ هو الضجيج الإحصائي لعملية القياس. وهو لا يأخذ في الاعتبار العيوب الفيزيائية للأجهزة الكمية في العالم الحقيقي، مثل الأخطاء الناتجة عن البيئة أو الآلة نفسها. هذه الأخطاء الفيزيائية تخلق "أرضية ضجيج" (noise floor) تقع فوق الضجيج الإحصائي، مما يعني أنه في الأجهزة الفعلية، قد يحتاج عدد القياسات المطلوبة إلى أن يكون أعلى مما تقترحه القاعدة.

رغم هذه القيود، يقدم هذا العمل مساراً واضحاً وقابلاً للتطبيق في هذا المجال. فهو ينقل النقاش من مرحلة التخمين حول كيفية إنفاق الموارد إلى مرحلة حساب التوزيع الأكثر كفاءة بناءً على قوانين الإحصاء. ومن خلال التعامل مع ميزانية القياس كمورد محدود يجب تقسيمه بعناية بين الاتساع والعمق، يمكن للباحثين تجنب عثرات الإفراط في أخذ العينات أو نقصها. وتخلص الدراسة إلى أنه بينما لا يزال الطريق نحو التعلم الكمي المثالي طويلاً، فإن امتلاك خريطة موثوقة للتنقل بين المقايضات بين كمية البيانات ودقة القياس يعد خطوة حاسمة. يوفر هذا التوجيه للعلماء القدرة على استخراج أقصى قيمة ممكنة من القدرات المحدودة للأجهزة الكمية الحالية، مما يضمن أن كل قياس يساهم في فهم أكثر قوة للعالم الكمي.