Reinforcement Learning for Syndrome Extraction
تقدم هذه الورقة نهجاً يعتمد على التعلم المعزز وأخذ العينات بالأهمية لاستخراج متلازمة تصحيح الخطأ الكمي يتفوق بشكل كبير على الأدوات الحالية مثل AlphaSyndrome وPropHunt من خلال تقليل معدلات الخطأ المنطقي عبر جميع المقاييس، محققاً تحسناً يصل إلى 97.8% لأكواد السطح ذات المسافة-15.
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
تعد الحواسيب الكمومية بحل مشكلات قد تستغرق أجهز اليوم آلاف السنين، من كسر الرموز المعقدة إلى محاكاة الأدوية الجديدة. لكن هذه الآلات هشة للغاية؛ فالجسيمات الدقيقة التي تستخدمها لتخزين المعلومات، والتي تسمى "الكيوبتات" (qubits)، سهلة الاضطراب بفعل الحرارة، أو الاهتزاز، أو حتى الموجات الكهرومغناطيسية الشاردة. ويمكن لخطأ واحد أن يفسد عملية حسابية بأكملها. ولجعل الحوسبة الكمومية عملية ومفيدة، طور العلماء شبكة أمان تسمى "تصحيح الخطأ الكمومي". فبدلاً من الاعتماد على كيوبت واحد مثالي، يقومون بتجميع العديد من الكيوبتات الفيزيائية غير الموثوقة معاً لتشكيل كيوبت "منطقي" واحد أكثر موثوقية. يعمل هذا النظام من خلال التحقق المستمر من الأخطاء، حيث يقوم بقياس أنماط محددة للكيوبتات دون النظر إلى البيانات نفسها، وهي عملية تنتج مجموعة من الأدلة تسمى "المتلازمة" (syndrome). إذا كانت المتلازمة فارغة، فكل شيء على ما يمار؛ أما إذا أظهرت المتلازمة نمطاً، فهذا يشير إلى وقوع خطأ، ويمكن للحاسوب تصحيحه قبل أن ينتشر الخطأ.
يكمن التحدي في كيفية إجراء عمليات التحقق هذه. فلقياس المتلازمة، يجب على الحاسوب تنفيذ تسلسل من العمليات، بربط الكيوبتات بترتيب محدد. وبينما يسمح الرياضيات بالعديد من الطرق المختلفة لترتيب هذه الروابط، إلا أن ليست كل الترتيبات متساوية في الأمان. ففي البيئة الصاخبة، يحدد الترتيب الذي تحدث به هذه العمليات مدى سهولة انتشار خطأ صغير من كيوبت واحد إلى العديد من الكيوبتات الأخرى، مما قد يتسبب في فشل كارثي لا يمكن لتصحيح الخطأ إصلاحه. إن البحث عن الترتيب الأكثر أماناً يشبه البحث عن إبرة في كومة قش تكبر بشكل أسي مع كل كيوبت إضافي. بالنسبة لكود كمومي متوسط الحجم، هناك ترتيبات ممكنة أكثر من عدد الذرات في الكون المرئي. وقد عانت المحاولات السابقة لإيجاد الترتيب الأفضل من أجل تحقيق التوازن بين السرعة والجودة؛ فالأساليب التي وجدت حلولاً جيدة كانت بطيئة جداً بحيث لا يمكن الاستفادة منها في الأنظمة الكبيرة، بينما أنتجت الأساليب الأسرع جداً جداول زمنية لا تزال عرضة للأخطاء.
في دراسة جديدة، طور باحثون في جامعة كاليفورنيا، لوس أنجلوس، أداة تسمى "فاست سد" (FastSched) تحل هذه المشكلة عبر دمج تقنيتين قويتين. فقد قاموا بتدريب برنامج حاسوبي باستخدام "التعلم التعزيزي"، وهو أسلوب يتعلم فيه الذكاء الاصطناعي من خلال التجربة والخطأ، تماماً مثل طفل يتعلم ركوب الدراجة. كُلف البرنامج باختيار ترتيب العمليات لكل فحص، واحداً تلو الآخر. ولجعل عملية التعلم هذه فعالة، استخدم الباحثون خدعة إحصائية تسمى "أخذ العينات الهامة" (importance sampling). في الحالة الطبيعية، يكون العثور على خطأ منطقي في دائرة مصممة جيداً أمراً نادراً جداً لدرجة أن الحاسوب سيحتاج إلى تشغيل ملايين المحاكاة لمجرد رؤية فشل واحد، مما يجعل التعلم بطيئاً للغاية. وبدلاً من ذلك، قام الباحثون بزيادة احتمالية حدوث الأخطاء اصطناعياً خلال مرحلة التدريب، مما سمح للبرنامج برؤية الأخطاء بشكل متكرر وتعلم كيفية تجنبها. ثم قاموا بتعديل النتائج رياضياً لتعكس ما سيحدث في الظروف العادية ذات الخطأ المنخفض. سمح هذا النهج للذكاء الاصطناعي باستكشاف المشهد الواسع من الجداول الزمنية الممكنة وتحديد المسارات الأكثر أماناً دون التعثر أو إضاعة الوقت.
نتائج هذا النهج كبيرة؛ فعند اختبار "فاست سد" مقابل أفضل الأدوات الموجودة، أنتج باستمرار جداول زمنية بمعدلات خطأ أقل بكثير. فقد قلل، في المتوسط، معدل الخطأ المنطقي بنسبة تقارب 26 بالمائة مقارنة بأداة رائدة واحدة، وبأكثر من 71 بالمائة مقارنة بأداة أخرى. وأصبح التحسن أكثر دراماتيكية مع زيادة حجم الأكواد الكمومية. فبالنسبة لنوع معين من الأكواد الكمومية بمسافة قدرها 15 —وهي مقياس لحجمها ومتانتها— قللت الأداة الجديدة معدل الخطأ بنسبة تقارب 98 بالمائة مقارنة بأحدث طريقة تقنية سابقة. وهذا يعني أنه بالنسبة لنفس القدر من الأجهزة، يمكن للجداول الزمنية الجديدة أن تجعل الحاسوب أكثر موثوقية بشكل هائل. وقد تحقق الباحثون من هذه النتائج من خلال عمليات محاكاة واسعة النطاق باستخدام نماذج ضوضاء واقعية مستمدة من بيانات أجهزة فعلية. ووجدوا أن الأداة ظلت فعالة حتى مع انخفاض الضوضاء الفيزيائية في النظام، وهو سيناريو يصبح فيه العثبو على الأخطاء أصعب حتى بالنسبة للطرق التقليدية.
كما تناولت الدراسة مقايضة حرجة حدت من الأعمال السابقة؛ إذ كانت الأساليب السابقة إما تنتج جداول زمنية عالية الجودة تستغرق وقتاً طويلاً جداً للحساب، أو جداول سريعة ليست موثوقة بما يكفي للتطبيقات الجادة. أما "فاست سد" فيتمكن من أن يكون سريعاً ودقيقاً في آن واحد، حيث يتوسع بفعالية مع الأكواد الكمومية الأكبر والأكثر تعقيداً. وقد أثبت الباحثون أن طريقتهم تعمل عبر مجموعة متنوعة من هياكل الأكواد الكمومية المختلفة، وليس نوعاً واحداً فقط. ومن خلال التركيز على الترتيب المحدد للعمليات وكيفية انتشار الأخطاء عبر النظام، تمكنوا من إيجاد ترتيبات تمنع الأخطاء الصغيرة من التحول إلى كوارث كبيرة. لا يدعي هذا العمل أنه حل جميع مشكلات الحوسبة الكمومية، ولكنه يقدم قطعة حاسمة من اللغز؛ فهو يوفر طريقة عملية لتصميم تسلسلات التحكم التي ستكون ضرورية لتشغيل حواسيب كمومية واسعة النطاق ومقاومة للأخطاء في المستقبل. إن الكود والنتائج متاحة الآن للعلماء الآخرين لاستخدامها والبناء عليها، مما قد يسرع الجدول الزمني للحوسبة الكمومية الموثوقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.