Qmes: Quantum Meta-Learning for Encoding Selection in Quantum Kernel Methods
تقدم الورقة البحثية Qmes، وهي حزمة برمجية مفتوحة المصدر بلغة بايثون تستفيد من التعلم التلوي (meta-learning) للتوصية بكفاءة بدوائر ترميز كمي مثالية لمجموعات بيانات جديدة بناءً على مقاييس التعقيد الكلاسيكية، مما يقلل بشكل كبير من ندم التوصية مقارنة بالنماذج المرجعية غير التكيفية دون الحاجة إلى تقييمات كمية مكلفة وقت الاستدلال.
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 إيجاد الأنماط في البيانات باستخدام القوانين الفيزيائية الغريبة التي تحكم الذرات. فبدلاً من معالجة المعلومات كأصفار وآحاد بسيطة مثل الحاسوب المحمول التقليدي، تستخدم هذه الآلات حالات كمية يمكن أن توجد في احتمالات متعددة في آن واحد. ولجعل هذا الأمر ممكناً، يجب على العلماء أولاً ترجمة البيانات العادية إلى هذه الحالات الكمية باستخدام مجموعة محددة من التعليمات تسمى "دائرة الترميز" (encoding circuit). فكر في هذه الدائرة كأنها عدسة: الطريقة التي تنظر بها إلى البيانات من خلال هذه العدسة هي التي تحدد مدى تشابه أو اختلاف قطعتين من المعلومات بالنسبة للحاسوب. إذا تم اختيار العدسة بشكل سيئ، فسترى الآلة صورة ضبابية وتفشل في التعلم؛ أما إذا اختيرت بشكل جيد، فستصبح الأنماط واضحة.
التحدي المركزي هو عدم وجود عدسة واحدة تصلح لكل نوع من المشكلات. فالدائرة التي تكون مثالية لفرز صور القطط قد تكون سيئة جداً للتنبؤ بأسعار الأسهم. تقليدياً، ولإيجاد الدائرة المناسبة لمجموعة بيانات جديدة، كان على الباحثين اختبار كل الخيارات الممكنة واحداً تلو الآخر. هذه العملية بطيئة ومكلفة للغاية لأنها تتطلب تشغيل عمليات محاكاة معقدة لكل مرشح. الأمر يشبه محاولة إيجاد المفتاح الأفضل لقفل ما عن طريق تجربة كل مفتاح في حلقة ضخمة، واحداً تلو الآخر، في كل مرة تواجه فيها باباً جديداً.
لقد طور فريق من الباحثين الآن أداة جديدة تسمى "Qmes" لحل هذه المشكلة. فبدلاً من اختبار الدوائر بشكل عشوائي، يتعلم نظامهم من التجارب السابقة للتنبؤ بالخيار الأفضل فوراً. يعمل البرنامج من خلال تحليل مجموعة البيانات الجديدة أولاً باستخدام مجموعة من القياسات الكلاسيكية التي تصف مدى تعقيد أو صعوبة البيانات. تعمل هذه القياسات كبصمة لمجموعة البيانات. بعد ذلك، يستشير النظام نموذجاً مدرباً مسبقاً، والذي درس بالفعل أداء العديد من الدوائر على مئات المجموعات الأخرى من البيانات. وبناءً على البصمة، يوصي النموذج بالدائرة الأكثر واعدة دون الحاجة إلى تشغيل محاكاة كمية واحدة. وهذا يسمح لعملية الاختيار بأن تتم بالكامل على حاسوب قياسي، مما يجعلها سريعة وعملية.
اختبر الباحثون هذا النهج على مجموعة واسعة من البيانات الواقعية، بما في ذلك 105 مهمة تصنيف مختلفة و86 مهمة انحدار. يتضمن التصنيف فرز العناصر إلى فئات، بينما يتضمن الانحدار التنبؤ برقم محدد. وفي هذه الاختبارات، أثبت نظام "Qmes" أنه أكثر فعالية بشكل ملحوظ من الطريقة القياسية التي تختار الدوائر دون التعلم من البيانات السابقة. بالنسبة لمهام التصنيف، قلل النظام الجديد متوسط الخطأ في توصياته بأكثر من الضعف مقارنة بالطريقة القديمة. أما بالنسبة لمهام التنبؤ، فقد كان التحسن أكثر دراماتيكية، حيث خفض الخطأ بأكثر من أربعة أضعاف. وقد أكد الفريق هذه النتائج من خلال اختبارات إحصائية صارمة، مما أظهر أن التحسينات لم تكن ناتجة عن الصدفة.
الميزة الرئيسية لهذا العمل هي أن العمل الشاق يحدث مرة واحدة فقط. فقد بنى الباحثون مكتبة ضخمة من البيانات توضح أي الدوائر كانت تعمل بشكل أفضل لأي أنواع من المشكلات، ودربوا نموذجهم على هذه المكتبة. وبمجرد اكتمال هذا التدريب، يتم توزيع النموذج الناتج كحزمة برمجية قياسية. وعندما يريد المستخدم تحليل مجموعة بيانات جديدة، فإنه ببساه يغذي البرنامج بالبيانات، ويقوم البرنامج فوراً بإخراج قائمة مرتبة بالدوائر الموصى بها. لا يحتاج المستخدم أبداً إلى تشغيل حاسوب كمي لإجراء عملية الاختيار. تم تصميم النظام خصيصاً للبيانات الجدولية، وهي نوع البيانات الموجود في الجداول الحسابية وقواعد البيانات، وهو يعتمد حالياً على المحاكاة بدلاً من الأجهزة الكمية الفيزيائية لضمان أن تكون النتائج خالية من الضجيء وموثوقة.
من خلال أتمتة اختيار دائرة الترميز، يزيل "Qmes" عقبة رئيسية في تعلم الآلة الكمي. فهو ينقل العملية من بحث بطيء قائم على التجربة والخطأ إلى توصية ذكية قائمة على البيانات. وهذا يعني أن الباحثين والمطورين يمكنهم الآن تطبيق طرق النواة الكمية (quantum kernel methods) على مشكلات جديدة بكفاءة أكبر بكثير، والتركيز على جهودهم في حل المشكلة الفعلية بدلاً من المعاناة في تهيئة الحاسوب الكمي نفسه. الأداة مفتوحة المصدر، مما يسم يسمح للآخرين بالبناء عليها، وهي تمثل خطوة عملية نحو جعل الحوسبة الكمية أكثر سهولة في الوصول إليها لتحليل البيانات في العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.