Virtual quantum neural networks
تقدم هذه الورقة "الشبكات العصبية الكمومية الافتراضية"، وهو نموذج ممتد يستخدم أخذ العينات العشوائي والمعالجة الكلاسيكية لدمج تركيبات خطية من الخرائط الموجبة تماماً، مما يعزز القدرة التعبيرية والمتانة تجاه الضجيج لمهام مثل تخفيف الأخطاء، والتصنيف، وتقدير الطاقة على الأجهزة الكمومية المتاحة في المدى القريب.
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 العصر الحالي للحوسبة الكمومية، تمتلك الآلات قدرة كافية لإجراء حسابات قد تستعصي حتى على أكثر الحواسيب الفائقة الكلاسيكية تطوراً، ومع ذلك تظل هذه الآلات هشة. هذه الأجهزة، المعروفة باسم المعالجات الكمومية ذات المقياس المتوسط المشوبة بالضجيج، تعمل بعدد قليل من الوحدات الصغيرة التي تسمى "الكيوبتات". وبينما يمكنها سبر أغوار عوالم جديدة في الفيزياء والكيمياء، إلا أنها تعاني من خلل جوهري: فالتداخل البيئي يسبب أخطاءً تؤدي إلى إفساد البيانات بمجرد توليدها تقريباً. ولجعل هذه الآلات مفيدة، يعتمد العلماء على طريقة تسمى الشبكات العصبية الكمومية. تخيل هذا الأمر كحلقة تعلم حيث تقوم دائرة كمومية، يتم ضبطها بواسطة مجموعة من "المقابض"، بمعالجة المعلومات وإنتاج مخرج ما. ثم يقوم حاسوب كلاسيكي بالتحقق من مدى قرب ذلك المخرج من النتيجة المنشودة ويقوم بتعديل المقابض لتحسين المحاولة التالية. وتسمح هذه الدورة للباحثين بتدريب الآلة لحل مشكلات مثل تحديد الأنماط في البيانات أو إيجاد الحالة الأكثر استقراراً لطاقة جزيء ما، رغم العيوب الموجودة في الأجهزة. ومع ذلك، فإن هذا النهج التقليدي محدود لأنه لا يمكنه استكشاف سوى مسار ضيق من الحسابات الممكنة، وهو مقيد بما يمكن للجهاز الفيزيائي القيام به فعلياً في عملية تشغيل واحدة.
لقد اقترح فريق من الباحثين الآن طريقة لكسر هذا الحاجز من خلال تغيير كيفية عمل عملية التعلم. فبدلاً من الاعتماد على دائرة كمومية واحدة للقيام بالعمل الشاق، قدموا نموذجاً جديداً يسمى الشبكة العصبية الكمومية الافتراضية. في هذا النهج، لا يقوم الحاسوب بتشغيل دائرة واحدة فحسب؛ بل يقوم بأخذ عينات عشوائية من دوائر مختلفة عديدة، لكل منها إعداداتها الخاصة، ويقوم بتشغيلها على الأجهزة الكمومية. ولا يتم مجرد حساب متوسط النتائج من هذه الدورات المتعددة، بل بدلاً من ذلك، يأخذ حاسوب كلاسيكي البيانات من كل هذه التجارب المنفصلة ويدمجها باستخدام وصفة رياضية محددة. تتضمن هذه الوصفة جمع وطرح النتائج بطريقة لا يمكن لدائرة فيزيائية واحدة تحقيقها بمفردها. ومن خلال خلط هذه المخرجات، ينشئ النظام عملية "افتراضية" هي أكثر مرونة وقوة من أي دائرة منفردة. الأمر كما لو أن الباحثين وجدوا طريقة لمحاكاة آلة أكثر تعقيداً بكثير من خلال دمج مخرجات عدة آلات أبسط وأكثر ضجيجاً بذكاء.
اختبر الباحثون هذه الفكرة على ثلاثة تحديات متميزة لمعرفة ما إذا كان النهج الافتراضي يقدم مزايا حقيقية. أولاً، تناولوا مشكلة تصحيح الأخطاء الناتجة عن الضجيج المجهول. في الحوسبة الكمومية القياسية، يتطلب إصلاح الأخطاء عادةً معرفة نوع الضجيج الذي يؤثر على الآلة بدقة. ومع ذلك، نجحت الطريقة الجديدة حتى عندما كان الضجيج لغزاً. ومن خلال تدريب الشبكة الافتراضية على عكس آثار الضجيج، وجد الفريق أن نظامهم يمكنه استعادة المعلومات الصحيحة بدقة تقارب المثالية، حتى عندما كانت الأجهزة الأساسية معيبة. وأظهرت عمليات المحاكاة أن الطريقة يمكنها إيجاد أفضل وسيلة لإلغاء الأخطاء، حيث كان أداؤها يقارب أداء النظام في حال كان الضجيج مفهوماً بشكل مثالي منذ البالبداية.
بعد ذلك، طبق الفريق النموذج على مهمة تصنيف ثنائي، وهي في الأساس تعليم الآلة كيفية فرز البيانات إلى فئتين، مثل التمييز بين نوعين من الأشكال. في هذا الاختبار، تفوقت الشبكة الافتورية باستمرار على المصنفات الكمومية التقليدية. فعند تغذية البيانات في النظام، تعلمت الشبكة الافتراضية كيفية تقديم تنبؤات أكثر دقة، حتى عندما كانت البوابات الكمومية المستخدمة لمعالجة البيانات مشوبة بالضجيج. وأظهرت النتائج أنه من خلال السماح للنظام باستكشاف نطاق أوسع من الاحتمالات عبر أخذ العينات العشوائية، أصبحت الآلة أكثر متانة ضد الأخطاء التي تعيب الأجهزة الكمومية عادةً.
أخيراً، استخدم الباحثون طريقتهم لتقدير طاقة الحالة الأرضية لجزيء ما، وهو حساب يحدد التكوين الأكثر استقراراً للذرات ويعد أمراً حاسماً لفهم التفاعلات الكيميائية. وهذه مهمة صعبة للغاية بالنسبة للحواسيب الكمومية المشوبة بالضجيج لأن الأخطاء الصغيرة يمكن أن تؤدي إلى قيم طاقة خاطئة تماماً. قدم الفريق خوارزمية جديدة تعتمد على شبكتهم الافتراضية لحل هذه المشكلة. وأظهرت عمليات المحاكاة التي أجروها أنه من خلال دمج مخرجات دوائر متعددة مشوبة بالضجيج، يمكن للنظام تقدير طاقة الجزيء بدقة أعلى بكثير من الطرق القياسية. لقد قامت الشبكة الافتراضية بفلترة الضجيج بفعالية، مما سمح للباحثين بالاقتراب من القيمة الفيزيائية الحقيقية بشكل أكبر مما كان ممكناً في السابق باستخدام نفس الأجهزة.
إن النتيجة الجوهرية لهذا العمل هي أن قيود الأجهزة الكمومية الحالية ليست بالضرورة طريقاً مسدوداً. فمن خلال استثمار المزيد من الوقت في أخذ عينات من دوائر متعددة واستخدام الحواسيب الكلاسيكية لمعالجة النتائج، يمكن للعلماء فتح مجال أوسع بكثير من الحسابات. لا يتطلب هذا النهج انتظار آلات مثالية خالية من الأخطاء؛ بل يستخدم بدلاً من ذلك الأجهزة الموجودة المشوبة بالضجيج بطريقة أكثر ذكاءً. تعمل الشبكة العصبية الكمومية الافتراضية كجسر، محولةً ضعف الضجيج إلى متغير يمكن التحكم فيه وموسعةً ما يمكن لهذه الحواسب الكمومية في مراحلها المبكرة تحقيقه بالفعل. وتشير الدراسة إلى أن نموذج التعلم المرن هذا يمكن أن يصبح أداة قياسية لجعل الأجهزة الكمومية في المدى القريب أكثر فائدة للتطبيقات الواقعية في العلوم والهندسة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.