في السباق لبناء حواسيب كمومية مفيدة، غالبًا ما يصب العلماء هوسهم على الآلة نفسها: عدد الكيوبتات التي تمتلكها، ومدة قدرتها على الاحتفاظ بالحالة، ومدى مقاومتها للضجيج. ومع ذلك، بالنسبة للعديد من المهام العملية، فإن العائق ليس قوة الأجهزة، بل صعوبة تغذيتها بالمعلومات. تتحدث الحواسيب الكمومية لغة البتات المنفصلة، مثل سلسلة من مفاتيح الإضاءة التي تكون إما في وضع التشغيل أو الإيقاف. أما البيانات في العالم الحقيقي، مثل الهياكل الكيميائية المعقدة لجزيئات الأدوية، فهي توجد في عالم مستمر وسلس من الظلال والتباينات اللانهائية. إن محاولة فرض هذه البيانات الغنية والمستمرة في سجل كمومي ضيق وصلب تشبه محاولة صب جالون من الماء في مكيال صغير؛ حيث يتسرب معظم المعلومات، وما يتبقى منها غالبًا ما يكون نسخة مشوهة وغير قابلة للتمييز من الأصل. وتتضح حدة هذه المشكلة بشكل خاص في الكيمياء، حيث يأمل الباحثون في استخدام الآلات الكمومية للتنبؤ بكيفية سلوك الجزيئات، لكن الأساليب الحالية لترجمة البيانات الكيميائية إلى كود كمومي غالبًا ما تفقد التفاصيل ذاتها اللازمة لإجراء تنبؤات دقيقة.

لقد تصدى فريق من الباحثين الآن لمشكلة الترجمة هذه بشكل مباشر، ليس عبر بناء آلة أكبر، بل من خلال تعليم الكمبيوتر كيف يرى البيانات بشكل مختلف حتى قبل دخولها إلى الدائرة الكمومية. وفي دراسة ركزت على التنبؤ بما إذا كانت جزيئات الأدوية يمكنها عبور الحاجز الدموي الدماغي — وهي خطوة حاسمة لعلاج الأمراض العصبية — أظهر الفريق أن طريقة إعداد البيانات لا تقل أهمية عن الخوارزمية التي تعالجها. ووجدوا أنه عندما قاموا ببساطة بتغذية بيانات كيميائية قياسية في مصنف كمومي، عانت الآلة لأن الجزيئات المختلفة كانت تُضغط لتصبح في نفس الكود الرقمي، مما جعل من الصعب التمييز بينها. ومن خلال تقديم طريقة تدريب جديدة تأخذ في الاعهاك عملية الضغط الرقمي هذه تحديدًا، تمكنوا من إعادة تشكيل البيانات بحيث تظل الجزيئات المتميزة متميزة حتى بعد تقليصها إلى بضعة بتات. وكانت النتيجة نموذجًا كموميًا لم يطابق أداء الحواسيب الكلاسيكية فحسب، بل تفوق عليها بالفعل في ظروف معينة، مما يثبت أن التفوق الكمومي ممكن حتى على أجهزة اليوم المحدودة إذا تمت إدارة عنق زجاجة المعلومات بشكل صحيح.

يكمن جوهر المشكلة في كيفية تحميل البيانات في الحاسوب الكمومي. لتشغيل عملية حسابية، يجب تحويل الجزيء إلى سلسلة من الأصفار والآحاد التي تناسب ذاكرة الآلة. في هذه الدراسة، استخدم الباحثون نموذج ذكاء اصطناعي قوي مدرب مسبقًا، يُعرف باسم "النموذج التأسيسي" (foundation model)، والذي تعلم بالفعل اللغة العامة للكيمياء من ملايين الجزيئات. أنتج هذا النموذج وصفًا غنيًا وعالي الأبعاد لكل جزيء، ملتقطًا التفاصيل الهيكلية الدقيقة. ومع ذلك، لكي يتناسب هذا الوصف مع سجل كمومي صغير، اضطر الباحثون إلى ضغطه بشكل جذري، محولين متجهًا معقدًا من الأرقام إلى سلسلة ثنائية قصيرة. وهنا تكمن الخطوة التي سارت بشكل خاطئ؛ فبسبب كون الضغط خشنًا للغاية، انتهى الأمر بالعديد من الجزيئات المختلفة وهي تحمل نفس الكود الثنائي تمامًا. وفي لغة الباحثين، كانت هذه "تصادمات". فإذا تشارك جزيئان بخصائص مختلفة — أحدهما يمكنه عبور الحاجز الدموي الدماغي والآخر لا يمكنه — في نفس الكود، فلن يستطيع أي كمبيوتر، سواء كان كموميًا أو كلاسيكيًا، التمييز بينهما. تتلقى الآلة نفس المدخلات لسؤالين مختلفين وتضطر إلى التخمين، مما يؤدي إلى دقة منخفضة.

أدرك الباحثون أن الطريقة القياسية لتدريب هذه النماذج لم تكن كافية. عادةً ما يدرب العلماء نموذجًا لفصل فئات مختلفة من البيانات في مساحة سلسة ومستمرة، آملين أن ينتقل هذا الفصل طبيعيًا عند ضغط البيانات. لكن الدراسة أظهرت أن هذا النهج يفشل عندما يكون الضغط شديدًا بهذا الشكل. فقد يفصل النموذج بين جزيئين بشكل مثالي في رياضياته الداخلية، ولكن إذا وقعا على جانبي حد رقمي يتم تقريبه أثناء الضغط، فسيحدث تصادم بينهما على أي حال. احتاج الباحثون إلى طريقة تفهم عملية الضغط نفسها. فقاموا بتطوير تقنية أطلقوا عليها اسم "الضبط الدقيق المدرك للتقطيع" (discretization-aware fine-tuning). تضمن ذلك عملية تدريب من خطوتين: أولًا، قاموا بتهيئة النموذج لضمان قدرته على التمييز بشكل عام بين نوعي الجزيئات. ثم في مرحلة ثانية أكثر أهمية، أضافوا عقوبة خاصة للتدريب. لم تكتفِ هذه العقوبة بالنظر إلى ما إذا كان النموذج مصيبًا أم مخطئًا، بل حسبت احتمالية أن ينتهي الأمر بجزيئين مختلفين في نفس الوعاء الرقمي بعد الضغط. إذا تعلم النموذج دفع تلك الجزيئات بعيدًا عن بعضها البعض بطريقة تحترم الحدود الرقمية، فإن العقوبة تنخفض. وهذا أجبر النموذج على تعلم تمثيل يحافظ على أهم الميزات الكيميائية حتى بعد تقليصها إلى بضد بتات قليلة.

وعندما اختبروا هذه الطريقة الجديدة، كان الفرق صارخًا. فبدون هذا التدريب الخاص، واجه الحاسوب الكمومي مدخلات فوضوية حيث تصادمت آلاف الأزواج من الجزيئات المختلفة. كانت دقة الآلة منخفضة، وكان أداؤها أسوأ من حاسوب كلاسيكي بسيط يعمل على نفس البيانات المضغوطة. لقد غاب التفوق الكمومي، الذي يُروج له غالبًا كأنه مستقبل الحوسبة، تمامًا لأن مدخلات البيانات كانت تالفة للغاية. ومع ذلك، بمجرد أن طبق الباحثون "الضبط الدقيق المدرك للتقطيع"، انخفض عدد التصادمات بشكل كبير، من آلاف إلى ما يقرب من الصفر. أصبحت الجزيئات تُخصص أكوادًا فريدة تحافظ على اختلافات بينها. ومع هذه المدخلات النظيفة، ارتفع أداء الحاسوب الكمومي بشكل هائل؛ حيث حسّن دقته بأكثر من اثني عشر نقطة مئوية، وهي قفزة هائلة حولته من أداة متعثرة إلى مصنف فعال للغاية.

ومع ذلك، فإن الاكتشاف الأكثر أهمية كان كيفية تأثير هذا التحسن على الآلة الكمومية مقارنة بالكلاسيكية. فعندما قارن الباحثون الدائرة الكمومية بنموذج انحدار لوجستي قياسي — وهو خوارزمية كلاسيكية بسيطة ومفهومة جيدًا — تم تزويد كليهما بنفس السلاسل الثنائية المضغوطة تمامًا. بدون طريقة التدريب الجديدة، فاز النموذج الكلاسيكي بسهولة، متفوقًا على الدائرة الكمومية بست نقاط مئوية. لقد كان الحاسوب الكمومي مقيدًا بسبب البيانات الفوضوية. ولكن عندما طُبقت طريقة التدريب الجديدة، انعكس الوضع. تحسن كلا النموذجين لأن البيانات أصبحت أنظف، لكن الحاسوب الكمومي تحسن أكثر بكثير من الحاسوب الكلاسيكي. حققت الدائرة الكمومية زيادة في الدقة بأكثر من اثني عشر نقطة مئوية، بينما حقق النموذج الكلاسيكي حوالي ثلاث نقاط فقط. وعند مستوى عشرة كيوبتات، أنهى النموذج الكمومي الاختبار بدقة بلغت 88.3 بالمائة، متفوقًا على النموذج الكلاسيكي الذي سجل 85.5 بالمائة. ولم يكن هذا الانعكاس وليد الصدفة، بل ظل ثابتًا عبر تجارب عشوائية متعددة وفحوصات إحصائية مختلفة.

لماذا استفادت الآلة الكمومية أكثر بكثير من البيانات الأنظف؟ يوضح الباحثون أن نوعي الحواسيب يعالجان المعلومات بطرق مختلفة جوهريًا. فالنموذج الكلاسيكي، في هذا الإعداد المحدد، يعمل مثل "مُصنف خطي"؛ فهو ينظر إلى البتات ويرسم خطًا مستقيمًا للفصل بين الفئات. يمكنه التحسن عندما تكون البيانات أقل ضجيجًا، لكنه محدود بطبيعته الخطية. في المقابل، يستخدم الحاسوب الكمومي عملية تسمى "التشابك" (entanglement) لربط الكيوبتات ببعضها البعض. وهذا يسمح له باكتشاف أنماط وتفاعلات معقدة وعالية الرتبة بين البتات لا يمكن للنموذج الخطي البسيط رؤيتها. عندما كانت البيانات فوضوية، لم تتمكن الآلة الكمومية من العثور على هذه الأنماط. ولكن بمجرد أن قامت طريقة التدريب بتنقية التصادمات وتقديم البيانات بشكل مهيكل، استطاعت الآلة الكمومية الاستفيد من قدرتها على إيجاد هذه الارتباطات الخفية بشكل كامل. أما النموذج الكلاسيكي، الذي يفتقر إلى هذه القدرة على رؤية التفاعلات المعقدة، فلم يتمكن من استغلال البيانات النظيفة بنفس الفعالية.

تخلص الدراسة إلى أنه لكي ينجح التعلم الآلي الكمومي في العالم الحقيقي، خاصة في مجالات مثل الكيمياء حيث البيانات معقدة والأجهزة محدودة، لا يمكننا التركيز فقط على بناء دوائر أفضل. يجب علينا أيضًا تصميم طرق أفضل لتغذية البيانات فيها. إن عنق زجاجة المعلومات الناتج عن الحجم الصغير للسجلات الكمومية الحالية يجب أن يُعالج في بداية عملية المعالجة، وذلك من خلال تشكيل تمثيل البيانات ليتناسب مع قيود الآلة. لقد أظهر الباحثون أنه من خلال مواءمة الأوصاف الكيميائية المستمرة مع الطبيعة المنفصلة للبتات الكمومية، يمكنهم إطلاق العنان لتفوق حقيقي. ويشير هذا العمل إلى أن الطريق نحو الحوسبة الكمومية العملية في الكيمياء لا يتطلب بالضريد انتظار آلات ضخمة وخالية من الأخطاء، بل يتطلب نهجًا أكثر ذكاءً لكيفية ترجمة العالم الحقيقي إلى اللغة الكمومية، لضمان بقاء الإشارة حية رغم الضغط، حتى تتمكن الآلة من القيام بما تبرع فيه.