When is global evolutionary search useful for variational quantum algorithms? A landscape-first study
تُظهر هذه الدراسة أن البحث التطوري العالمي يتفوق على التحسين المحلي متعدد البدايات في الخوارزميات الكمومية التباينية، لا سيما عندما تؤدي آليات محددة مثل إعادة استخدام المعلمات وتنافس حدود التكلفة إلى حصر البحث المحلي في أحواض أدنى، وهي حالة يمكن التنبؤ بها بشكل موثوق عبر درجة مشهد مسبقة الاختبار.
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 سعيها لحل المشكلات التي تفوق قدرة الحواسيب الفائقة اليوم، تتوجه العلوم نحو نوع جديد من الآلات: الحاسوب الكمي. تستخدم هذه الأجهزة قواعد الفيزياء الكمية الغريبة لاستكشاف احتمالات عديدة في آن واحد. ومع ذلك، فإن بناء حاسوب كمي يمكنه حل مشكلات العالم الحقيقي أمر صعب للغاية. ويتضمن أحد أكثر النهج واعدًا طريقة هجينة تسمى "الخوارزمية الكمية التباينية". في هذا الإعداد، تقوم آلة كمية بإعداد حالة محددة للمادة، بينما يعمل حاسوب كلاسيكي (تقليدي) كمرشد، حيث يقوم باستمرار بتعديل إعدادات الآلة الكمية للعثور على أفضل إجابة ممكنة. ويكمن التحدي في مهمة المرشد: إذ يجب عليه التنقل عبر مشهد شاسع ومتعرج من الاحتمالات للعثور على أدنى وادٍ، والذي يمثل الحل الصحيح. وأحيانًا، يعلق المرشد في منخفض صغير وضحل يبدو وكأنه القاع ولكنه ليس كذلك، مما يؤدي إلى تفويت الحل الحقيقي المختبئ في وادٍ أعمق قريب.
لسنوات، تنازع الباحثون حول أفضل طريقة لتوجيه هذه الآلات. النهج القياسي هو استخدام البحث المحلي، وهي طريقة تبدأ من نقطة عشوائية وتتسلق لأسفل أقرب منحدر حتى تصل إلى قاع. وإذا لم يكن هذا القاع جيدًا بما يكفي، تُعاد العملية من نقطة بداية عشوائية جديدة. يشبه هذا إرسال العديد من المتنزهين للبحث عن أدنى نقطة في سلسلة جبلية؛ فإذا علقوا جميعًا في فجوات صغيرة، فقد يفتقد الفريق الوادي الحقيقي. وهناك بديل وهو استخدام البحث العالمي، الذي ينظر إلى المشهد بأكمده دفعة واحدة، باستخدام مجموعة من المرشحين للقفز بين مناطق مختلفة وتجنب الوقوع في الفخاخ. وكان السؤال الكبير هو: متى يكون البحث العالمي المكلف والمعقد ضروريًا بالفعل، ومتى يكون البحث المحلي الأبسط كافيًا؟ وقد أجاب بحث جديد أجراه باحثون من جامعة أوسترافا التقنية وجامعة كلايبيدا على هذا السؤال من خلال رسم خريطة للتضاريس نفسها، كاشفين أن صعوبة المشكلة لا تعتمد على مدى اتساع السلسلة الجبلية بقدر ما تعتمد على كيفية ترتيب الوديان.
بدأ الباحثون بإنشاء بيئة محكومة لاختبار ما يجعل المشهد صعبًا على البحث المحلي. استخدموا نوعًا محددًا من الخوارزميات الكمية يُعرف باسم "خوارزمية التحسين التقريبي الكمي"، وهي مصممة لحل المشكلات التوليفية المعقدة. وبدلاً من مجرد تشغيل الخوارية على مشكلات عشوائية، قاموا عمدًا ببناء ميزتين محددتين في الدوائر الكمية لمعرفة ما إذا كانت هاتان الميزتان ستربكان البحث المحلي. تضمنت الميزة الأولى تقنية تسمى "إعادة استخدام المعلمات المترابطة". في الإعداد القياسي، تحتوي الدائرة الكمية على طبقات عديدة، ولكل طبقة إعداداتها الفريدة. وفي هذه التجربة، أجبر الباحثون الدائرة على استخدام نفس الإعدادات تمامًا لعدة طبقات متتالية. وتضمنت الميزة الثانية خلط أنواع مختلفة من التفاعلات داخل المشكلة، وتحديدًا الجمع بين روابط بسيطة مكونة من جزأين وروابط أكثر تعقيدًا مكونة من ثلاثة أجزاء. ثم وضعوا البحث المحلي القياسي في مواجهة طريقة بحث عالمي أكثر تقدمًا تعتمد على المبادئ التطورية، والتي تحاكي الانتقاء الطبيعي من خلال تطوير مجموعة من الحلول بمرور الوقت.
كانت النتائج واضحة ومحددة. فعندما استخدم الباحثون "إعادة استخدام المعلمات المترابطة"، فشل البحث المحلي باستمرار في العثور على أفضل الحلول، حيث علق في وديان أدنى جودة، بينما نجح البحث العالمي. حدث هذا رغم أن العدد الإجمالي للإعدادات التي كان على الكمبيوتر تعديلها ظل كما هو. ومن المثير للدهشة أن مجرد جعل الدائرة الكمية أعمق عن طريق إضافة المزيد من الطبقات ذات الإعدادات المستقلة لم ينتج نفس المشكلة؛ فقد تعامل البحث المحلي مع الطبقات العميقة والمستقلة بشكل جيد تمامًا. وهذا الاكتشاف ينفي فكرة أن التعقيد وحده هو العدو؛ فليست ضخامة الدائرة هي ما يسبب المشاكل، بل الطريقة المحددة التي تتكرر بها الإعدادات وتُعاد استخدامها. أما الآلية الثانية، المتمثلة في خلط التفاعلات الثنائية والثلاثية، فقد خلقت أيضًا مشهدًا عانى فيه البحث المحلي، بينما وجد البحث العالمي القاع الحقيقي. ووجد الباحثون أن الصعوبة لم تنبع فقط من وجود الكثير من التلال والوديان، بل من وجود وديان ذات أعماق متفاوتة جدًا تبدو متشابهة من مسافة بعيدة، مما تسبب في استقرار البحث المحلي في منخفض ضحل بدلاً من الوصول إلى الحل العميق.
ولضمان أن هذه النتائج لم تكن مجرد صدفة ناتجة عن مثال واحد، اختبر الباحثون أفكارهم على ثماني مشكلات جديدة تمامًا لم يسبق لهم رؤيتها من قبل. كما طبقوا الاختبارات نفسها على أنواع مختلفة من النماذج الكمية، بما في ذلك تلك المستخدمة لإيجاد أفضل طريقة لتقسيم شبكة إلى مجموعتين والنماذج المستخدمة لمحاكاة المواد المغناطيسية. وظلت النمط ثابتًا؛ ففي المشكلات الجديدة، جعلت إعادة استخدام المعلمات المترابطة والتفاعلات المختلطة البحث المحلي يفشل باستمرار، بينما ازدهر البحث العالمي. وفي المقابل، ظلت النماذج القياسية لمحاكاة المواد المغناطيسية سهلة الحل بالنسبة للبحث المحلي، رغم كونها أنظمة كمية معقدة. وأكد هذا أن الصعوبة ليست خاصية متأصلة في جميع المشكلات الكمية، بل هي ميزة محددة في تصميمات دوائر معينة. وأظهرت الدراسة أن البحث المحلي يفشل عندما ينتهي به الأمر بشكل متكرر في وديان أسوأ بكثير من أفضل وادٍ ممكن، وهو موقف صُمم البحث العالمي لتجنبه.
إن النتيجة الأكثر عملية لهذا العمل هي وجود طريقة جديدة للتنبؤ بنوع طريقة البحث التي يجب استخدامها قبل إجراء الحسابات الكمية المكلفة. طور الباحثون أداة تشخيصية بسيطة تعمل مثل المسح الطبوغرافي؛ فمن خلال إجراء بعض الاختبارات السريعة ومنخفضة التكلفة على المشهد — عبر فحص عدد النقاط المنخفضة المختلفة التي يجدها البحث العشوائي ومدى اختلاف جودة تلك النقكات — تمكنوا من التنبؤ بدقة عالية ما إذا كان البحث العالمي يستحق الجهد الإضافي. وفي اختبارات على خمسين هدفًا كميًا جديدًا، توقعت هذه الأداة التشخيصية الحاجة إلى بحث عالمي بنسبة تتراوح بين 80 إلى 86 بالمائة من الوقت. وهذا يعني أنه في المستقبل، قد لا يحتاج العلماء إلى التخمين أو إجراء اختبارات قياسية لا تنتهي لاختيار المحسن (optimizer). بدلاً من ذلك، يمكنهم إلقاء نظرة سريعة على شكل مشهد المشكلة والقرار فورًا بشأن ما إذا كانوا سيرسلون متنزهاً واحداً أم حملة استكشافية كاملة.
كما توضح الدراسة ما لا يهم. فقد أظهر الباحثون صراحة أن مجرد زيادة عمق الدائرة الكمية أو عدد المعلمات لا يجعل المشكلة أصعب تلقائيًا بالنسبة للبحث المحلي. غالبًا ما يأتي الارتباك من فكرة أن المزيد من التعقيد يعني دائمًا المزيد من الصعوبة، لكن هذه الورقة تثبت أن هيكل التعقيد هو ما يهم. فإذا كان المشهد يحتوي على العديد من الوديان الصغيرة والمتشابهة، فلا يزال بإمكان البحث المحلي العثوة على حل جيد. إن الأمر لا يتعلق بالصعوبة إلا عندما يحتوي المشهد على وديان عميقة وخفية محاطة بالعديد من الوديان الضحلة والمضللة، مما يجعل البحث المحلي غير موثوق به. وهذا التمييز أمر بالغ الأهمية لتصميم خوارزميات كمية أفضل، مما يشير إلى أن المهندسين قد يتمكنون من المقايضة بين بعض تعقيدات الدائرة الكمية وبين مشكلة تحسين كلاسيكية أصعب إذا توفرت لديهم أدوات بحث عالمي قوية.
في نهاية المطاف، يوفر هذا البحث خارطة طريق للملاحة في مستقبل الحوسبة الكمية. إنه ينقل المجال من مرحلة الاختبار والخطأ في القياسات إلى فهم أكثر علمية للمشكلات التي تواجهها هذه الآلات. ومن خلال تحديد الميزات الهندسية المحددة التي توقع البحث المحلي، أعطى الباحثون المجتمع إشارة واضحة: عندما تمتلك المشكلة الكمية مشهدًا ينتهي فيه البحث المحلي بشكل متكرر في أحواض أدنى قيمة بشكل ملحوظ، فقد حان الوقت لجلب البحث العالمي. يتيح هذا الإدراك استخدامًا أكثر ذكاءً وكفاءة للموارد الكمية، مما يضمن عدم ضياع الإمكانات الهائلة لهذه الآلات بسبب محدودية الأدوات المستخدمة لتوجيهها. ويشير العمل إلى أن المفتاح لإطلاق قوة الخوارزميات الكمية لا يكمن فقط في بناء آلات أفضل، بل في فهم التضاريس التي يجب عليها عبورها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.