The Sample Complexity of Quantum Entanglement Allocation
تحدد هذه الورقة حدود تعقيد العينة لتخصيص التشابك الكمي من خلال توصيف كيفية تأثير حجم الذاكرة وهياكل الاستعلام على دقة التنبؤ، واستخلاص مقايضات دقيقة لمعايرة الضجيج، والتحقق من هذه النتائج النظرية من خلال تجارب على جهاز كمي مكون من 15 كيوبت ومجموعات بيانات معاملات التجزئة.
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 عالم الحوسبة الكمومية، تُخزن المعلومات في جسيمات متناهية الصغر تسمى الكيوبتات (qubits). وبخلاف البتات في الحاسوب التقليدي التي تكون إما صفراً أو واحداً، يمكن للكيوبتات أن توجد في حالة دقيقة من كونهما معاً في آن واحد، وهي خاصية تُعرف بالتراكب (superposition). ولجعل هذه الجسيمات مفيدة للحسابات المعقدة، غالباً ما يربطها العلماء معاً بطريقة خاصة تسمى التشابك (entanglement). فعندما تكون الكيوبتات متشابكة، فإن حالة أحدها تؤثر فوراً على حالة الآخر، بغض النظر عن المسافة بينهما. هذا الاتصال هو المحرك الذي يدفع السرعة الكمومية، ولكنه هش أيضاً؛ إذ يتطلب إنشاء التشابك والحفاظ عليه طاقة ووقتاً، ومن السهل فقدانه. ولأن الموارد محدودة، لا يمكن للحاسوب الكمومي تشبيك كل مجموعة ممكنة من الجسيمات في نفس الوقت، بل يجب عليه اختيار الروابط التي سيبنيها قبل أن يعرف بالضبط ما هو السؤال الذي سيُطرح عليه. وهذا يخلق لغزاً جوهرياً: ما مقدار المعلومات حول الأسئلة الماضية التي يحتاجها الجهاز لاتخاذ القرار الصحيح للمستقبل؟
قام الباحث في جامعة ستانفورد، ناثان رول، بمعالجة هذا اللغز من خلال معاملة الذاكرة الكمومية كنظام تخزين يجب تحميله مسبقاً قبل وصول الطلب. تخيل مكتبة يجب أن تقرر أي الكتب ستضعها على نفس الرف قبل معرفة الكتب التي سيطلبها الزائر؛ فإذا طلب الزائر كتابين موجودين على أرفف مختلفة، سيضيع أمين المكتبة وقتاً في إحضارهما بشكل منفصل. وفي النسخة الكمومية، تكون "الكتب" هي طلبات قياس خصائص معينة للكيوبتات، و"الأرفف" هي مجموعات من الجسيمات المتشابكة. يتساءل البحث سؤالاً بسيطاً ولكنه عميق: كم عدد الطلبات الماضية التي يحتاج النظام لمراقبتها ليتعلم أفضل طريقة لترتيب تشابكه؟ وتبين أن الإجابة تعتمد كلياً على شكل الاتصالات التي يُسمح للنظام بإنشائها.
بنى الباحثون نموذجاً نظرياً حيث تخزن ذاكرة كمومية قطعة واحدة من المعلومات الكلاسيكية، مثل صفر أو واحد فقط. يتم اختبار هذه الذاكرة عبر سلسلة من الطلبات، كل منها يطلب قياساً محدداً. يجب على النظام تحضير حالته مسبقاً، عبر تقرير أي الكيوبتات سيتم تشبيكها. وإذا قام النظام بتشبيك الزوج الخطأ من الكيوبتات، فقد يجيب على بعض الطلبات بشكل مثالي ولكنه سيفشل تماماً في طلبات أخرى. أظهرت الدراسة أن عدد الطلبات الماضية المطلوبة لتعلم الترتيب الأفضل ليس ثابتاً؛ بل يتغير بناءً على هندسة المشكلة. فبالنسبة لسلسلة خطية بسيطة من الكيوبتات، يحتاج النظام إلى عدد من الطلبات الماضية ينمو مع حجم السلسلة. ومع ذلك، بالنسبة لنوع آخر من الهياكل، حيث تُجمع الكيوبتات في مجموعات (clusters) مترابطة بإحكام، يمكن للنظام أن يكبر كثيراً دون الحاجة إلى أي بيانات ماضية إضافية لتعلم الترتيب الأفضل. في حالات المجموعات هذه، تظل تكلفة التعلم ثابتة، مما يعني أنه يمكن جعل نظام ضخم بنفس سهولة ضبط نظام صغير، بشرط أن تظل الروابط محلية ومحدودة.
لاختبار هذه الأفكار، أجرى الفريق عمليات محاكاة كما أجروا تجارب على معالج كمومي يحتوي على خمسة عشر كيوبت. في المحاكاة، أكدوا أنه بالنسبة لسلسلة خطية من الكيوبتات، ينخفض الخطأ في التنبؤ بالترتيب الأفضل مع الجذر التربيعي لعدد الطلبات الماضية، ولكن فقط إذا سُمح للنظام باستخدام قدر معين من عمق التشابك. ووجدوا أنه إذا كان النظام مقيداً للغاية، فلن يتمكن من التعلم بفعالية، ولكن إذا امتلك قدراً كافياً من الحرية، فيمكنه التكيف بسرعة مع الطلبات الأكثر شيوعاً. وأكدت التجربة الواقعية على جهاز IBM الكمومي أن السلسلة المتصلة بالكامل من الكيوبتات المتشابكة قدمت أداءً أفضل من الترتيبات البسيطة والمحددة مسبقاً. فالطريقة المتصلة بالكامل، التي استخدمت تشابكاً أكبر، قللت معدل الخطأ بشكل كبير مقارنة بالترتيب الضحل والثابت. وقد أثبت ذلك أن الميزة النظرية لاستخدام الروابط الصحيحة تصمد حتى على الأجهزة الحقيقية المليئة بالضجيج، رغم أن المحاولة المحددة لتعلم أفضل ترتيب من البيانات على هذا الجهاز لم تنجح بسبب انتهاء الوقت التقني، مما ترك فقط المقارنة بين الاستراتيجيات الثابتة ليتم قياسها.
استكشفت الدراسة أيضاً ما يحدث عندما يكون تحضير الحالة الكمومية غير مثالي، وهو أمر يحدث دائماً في الآلات الحقيقية. ووجدوا أن تعلم الترتيب الأفضل لا يتطلب بيانات عن الطلبات فحسب، بل يتطلب أيضاً بيانات عن أخطاء الآلة نفسها. فإذا كانت الآلة مشوبة بالضجيج، يحتاج النظام لقضاء وقت إضافي في معايرة فهمه لتلك الأخطاء. وأظهر الباحثون أن هناك مقايضة: يمكنك إما جمع المزيد من البيانات عن الطلبات أو المزيد من البيانات عن ضجيج الآلة، لكن لا يمكنك التخلي عن أحدهما تماماً. فإذا لم تكن تعرف الضجيج جيداً، فإن المعرفة المثالية بالطلبات لن تساعدك في اتخاذ القرار الصحيح. هذا المتطلب المزدوج يعني أن بناء ذاكرة كمومية ذكية هو عملية توازن بين مراقبة المستخدم ومراقبة الآلة نفسها.
بعيداً عن المجال الكمومي، اكتشف الباحثون أن القواعد الرياضية نفسها تنطبق على مشكلة مختلفة تماماً: تنظيم البيانات في قاعدة بيانات كلاسيكية. فعندما تخزن قاعدة بيانات سجلات، يجب عليها أن تقرر أي السجلات ستضع في نفس القرص الفيزيائي قبل وصول عملية المعاملة. فإذا كانت المعاملة تحتاج إلى سجلات مبعثرة عبر أقراص مختلفة، فإن النظام سيتباطأ. أظهرت الدراسة أن قواعد تعلم أفضل طريقة لتجميع هذه السجلات مطابقة لقواعد تشبيك الكيوبتات. وفي اختبار باستخدام مجموعة بيانات عامة للمشتريات بالتجزئة، وجد الفريق أن الطريقة المتعلمة من المعاملات الماضية تفوقت على استراتيجية التجميع الثابتة والبسيطة. ومع ذلك، في أكبر إعداد لقطاع التجزئة، كانت الطريقة الأبسط القائمة على تكرار العناصر هي الأفضل من النهج المعقد المتعلم. وهذا يشير إلى أنه بينما يعد التعلم قوياً، فإنه ليس دائماً الأداة الأفضل؛ فأحياناً تكون القاعدة البسيطة والثابتة كافية، خاصة عندما تكون البيانات ضخمة وتكلفة التعلم عالية.
يخلص البحث إلى أن تكلفة تعلم كيفية تخصيص الموارد في نظام كمومي لا تتحدد بحجم الذاكرة وحدها، بل بهيكل الروابط. فالسلسلة الخطية من الكيوبتات تخلق خيارات أكثر كلما نمت، مما يجعل تعلم الترتيب الأفضل أمراً أصعب. وفي المقابل، فإن النظام المكون من مجموعات صغيرة مترابطة بإحكام لا يخلق خيارات أكثر مع نموه، لذا تظل تكلفة التعلم ثابتة. هذا التمييز أمر بالغ الأهمية لتصميم الحواسيب الكمومية المستقبلية؛ فهو يخبر المهندسين أنه إذا أرادوا بناء ذاكرة كمومية كبيرة وفعالة، فعليهم تجنب سلاسل الروابط الخطية الطويلة واستخدام تصميمات نمطية ومجمعة (clustered). ومن خلال القيام بذلك، يمكنهم توسيع النظام دون الحاجة إلى كمية مستحيلة من البيانات لضبطه. توفر الدراسة خارطة طريق واضحة للمكان الذي يجب إنفاق التشابك فيه، محولةً الحدس الغامض حول الموارد الكمومية إلى استراتيجية دقيقة وقابلة للتعلم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.