Comparing Classical and Quantum Machine Learning for Regression in High Energy Physics Collision Data

تعد فيزياء الطاقات العالية فرعاً من فروع العلم المخصص للكشف عن اللبنات الأساسية للكون والقوى التي تربط بينها. ولرؤية هذه الجسيمات المتناهية الصغر، يقوم العلماء بصدم البروتونات مع بعضها البعض بسرعات هائلة داخل آلات ضخمة تسمى المصادمات، مما يخلق رذاذاً فوضوياً من جسيمات جديدة تنطلق في جميع الاتجاهات. إن البيانات الناتجة عن هذه التصادمات هائلة، حيث تملأ بيتابايتات من مساحات التخزين بسجلات لكل مسار وطاقة للجسيمات. ولتحليل هذا الطوفان من البيانات، يعتمد الباحثون على تعلم الآلة، وهو شكل من أشكال الذكاء الحاسوبي الذي يتعلم كيفية التعرف على الأنماط في البيانات. ولعقود من الزمن، كانت البرامج الحاسوبية القياسية هي المحرك الأساسي لهذا المجال، حيث تقوم بفرز أحداث التصادم للعثور على الإشارات النادرة المختبئة وسط الضجيج. ومؤخراً، دخل منافس جديد إلى الساحة: تعلم الآلة الكمومي. يستخدم هذا النهج القواعد الغريبة لميكانيكا الكم — فيزياء الأشياء الصغيرة جداً — لمعالجة المعلومات بطرق لا تستطيع الحواسيب الكلاسيكية القيام بها، مما قد يوفر طريقاً مختصراً عبر أصعب مشكلات البيانات.

وضع فريق من الباحثين هدفاً لاختبار ما إذا كان هذا النهج الكمومي الجديد يمكنه حقاً منافسة الأساليب الكلاسيكية الراسخة في مهمة محددة: التنبؤ بزخم الجسيمات بعد التصادم. لقد ركزوا على مشكلة انحدار، وهي في الأساس طريقة رياضية للتساؤل: "إذا كنا نعرف الاتجاه الذي يتحرك فيه الجسيم، فما هي سرعته؟". وللقيام بذلك، استخدموا بيانات محاكاة لتصادمات بروتون-بروتون، وتحديداً النظر في الأحداث التي ينتج عن التصادم فيها أزواج من الإلكترونات أو الميونات. قاموا بتغذية النماذج الحاسوبية بالمكونات الجانبية لزخم الجسيمات وطلبوا منها حساب السرعة الإجمالية. اختبروا أربعة أنواع مختلفة من نماذج تعلم الآلة الكلاسيكية، تتراوح من الأدوات الإحصائية البسيطة إلى الشبكات المعقدة التي تحاكي الدماغ البشري، ثم بنوا أربع نسخ مكافئة منها باستخدام الدوائر الكمومية. لم يكن الهدف هو إعلان فائز فوراً، بل فهم المقايضات بين التقنيتين في ظل القيود الواقعية للأجهزة الحالية.

أظهرت النتتائج أن النماذج الكلاسيكية، وخاصة تلك المصممة للتعرف على الأنماط المكانية والتسلسلية، كانت أفضل قليلاً في أداء المهمة. فقد تمكنت الشبكة الكلاسيكية الأكثر تقدماً من التنبؤ بسرعات الجسيمات بدقة تقترب من المثالية، حيث طابقت القيم الحقيقية بدقة شديدة تقريباً. ومع ذلك، لم تصل النماذج الكمومية إلى ذلك المستوى نفسه من الدقة. وعندما نظر الباحثون إلى الأرقام، وجدوا أن النماذج الكلاسيكية أنتجت أخطاءً أصغر في المتوسط. ومع ذلك، لم تكن القصة مجرد "الكلاسيكي يفوز، والكمومي يخسر". فقد حققت النماذج الكمومية نتائجها باستخدام جزء ضئيل من الموارد. والمثال الأكثر لفتاً للنظر هو نموذج كمومي مصمم للتعرف على الأنماط، تمكن من الاقتراب كثيراً من أداء أفضل نموذج كلاسيكي بينما استخدم أربعة وحدات صغيرة فقط من المعلومات الكمومية، تسمى الكيوبتات، ودائرة ضحلة جداً. وفي المقابل، تطلب النموذج الكلاسيكي الذي حقق الدرجة الأعلى آلاف الإعدادات القابلة للضبط للوص_ل إلى نفس مستوى المهارة.

هذا الاختلاف في استخدام الموارد هو أهم ما توصلت إليه الدراسة. فالنموذج الكمومي الذي استخدم أربعة كيوبتات وعمق دائرة مكون من ثلاث طبقات، استطاع إعادة إنتاج أداء شبكة كلاسيكية عميقة تطلبت ما يقرب من ثلاثة آلاف معلمة قابلة للضبط. وبينما كان النموذج الكلاسيكي أكثر دقة بقليل، كان النسخة الكمومية أكثر كفاءة بمراحل من حيث عدد الإعدادات التي احتاجت لتعلمها. يشير هذا إلى أن الحواسيب الكمومية قد لا تحتاج لأن تكون ضخمة أو مثالية لتكون مفيدة؛ فحتى مع قيودها الحالية، يمكنها حشد الكثير من القدرة الحسابية في مساحة صغيرة جداً. كما وجد الباحثون أن نموذجاً كمومياً مختلفاً، استخدم طريقة محددة لقياس العلاقة بين نقاط البيانات، كان أفضل في رصد الاتجاهات العامة للبيانات ولكنه ارتكب أحياناً أخطاءً كبيرة ومنعزلة. وهذا يشير إلى أنه على الرغم من كون النهج الكمومي واعداً، إلا أنه لا يزال يحتوي على عيوب تحتاج إلى معالجة.

تخلص الدراسة إلى أنه بينما تحتفظ الحواسيب الكلاسيكية حالياً باليد العليا في الدقة الخام لهذا النوع المحدد من مشكلات فيزياء الجسيمات، فإن النماذج الكمومية تقدم بديلاً مقنعاً بسبب كفاءتها الفائقة. لقد أثبتت النماذج الكمومية قدرتها على تعلم نفس العلاقات المعقدة بعدد أقل بكما من المتغيرات، وهي ميزة حاسمة للمستقبل عندما تصبح الأجهزة الكمومية أكثر قوة وأقل عرضة للأخطاء. ويؤكد الباحثون أن هذه النتائج ناتجة عن عمليات محاكاة تجري على حواسيب قياسية، وليس من آلات كمومية حقيقية، لذا فإن الخطوة التالية هي اختبار هذه الأفكار على أجهزة كمومية حقيقية لمعرفة كيف يؤثر الضجيج والقيود الفيزيائية على الأداء. وفي الوقت الحالي، توفر هذه الأعمال معياراً واضحاً: تعلم الآلة الكمومي ليس مجرد فضول نظري، بل هو أداة عملية يمكنها بالفعل منافسة الأساليب الكلاسيكية مع استخدام جزء ضئيل من الذاكرة والإعدادات، مما يشير إلى مستقبل قد تعمل فيه هاتان التقنيتان معاً لحل أكثر الألغاز تعقيداً في الفيزياء.