Temporal information processing on a 4,500-qubit quantum annealer

في عالم الحوسبة، تزداد الآلات سرعةً وصغراً، ولكن يظل هناك تحدٍ مستمر: وهو اكتشاف كيفية جعلها مفيدة حقاً للمهام المعقدة في المستقبل. يتضمن أحد المسارات الواعدة تعليم الحواسيب التعلم من الأنماط في البيانات، وهو مجال يُعرف باسم تعلم الآلة. وبينما تتفوق الحواسيب التقليدية في كثير من الأشياء، فإنها تعاني أحياناً مع البيانات التي تتغير بمرور الوقت، مثل أنماط الطقس أو أسواق الأسهم، لأنها تفتقر إلى وسيلة طبيعية لتذكر الماضي أثناء معالجة الحاضر. وقد اشتبه العلماء منذ فترة طويلة في أن الآلات الكمومية، التي تعمل وفق القواعد الغريبة لعالم الجسيمات دون الذرية، يمكنها التعامل مع هذا النوع من المعلومات الزمنية بشكل أفضل. ومع ذلك، ظل بناء حاسوب كمومي كبير بما يكفي ليكون مفيداً وبسيط بما يكفي للتدريب عقبة رئيسية؛ إذ تتطلب معظم المحاولات عمليات تدريب مكلفة وصعبة غالباً ما تفشل مع نمو حجم الآلات.

لقد اتخذ فريق من الباحثين الآن خطوة كبيرة للأمام عبر اختبار نهج جديد على آلة كمومية ضخمة. استخدموا جهازاً يسمى "الملدن الكمومي" (quantum annealer)، وهو نوع من الحواسيب الكمومية المصممة لحل مشكلات محددة عن طريق إيجاد أدنى حالة طاقة للنظام. وبدلاً من محاولة تدريب الآلة بأكملها للتعلم، عاملوها كأنها محرك طبيعي غير مدرب يولد حركات داخلية معقدة. ومن خلال تغذية البيانات الزمنية في هذا المحرك وقراءة النتائج، أنشأوا نموذجاً يمكنه تذكر المدخلات الماضية والتنبؤ بالمستقبل. وتمثل هذه التجربة، التي استخدمت ما يصل إلى 4500 بت كمومي (qubit) فيزيائي، أكبر اختبار لتعلم الآلة الكمومي تم إجراؤه حتى الآن. ووجد الباحثون أن الآلة استطاعت بنجاح التنبؤ بسلاسل زمنية فوضوية وغير متوقعة، مما أثبت أن هذه الأجهزة الكمومية واسعة النطاق يمكن أن تعمل كأدوات قوية لمعالجة المعلومات دون الحاجة إلى حلقات تدريب مكلفة.

يعتمد جوهر هذه التجربة على مفهوم يسمى "الحوسبة بالخزان" (reservoir computing). تخيل حجراً أُلقي في بركة؛ إن التموجات التي تنتشر هي معقدة وتعتمد على شكل الحجر وعمق المياه. إذا راقبت التموجات، يمكنك معرفة شيء ما عن الحجر الذي أُلقي، حتى لو لم ترَ الارتطام. في هذه النسخة الكمومية، "البركة" هي الحاسوب الكمومي نفسه، و"التموجات" هي الحركات الطبيعية غير المدربة للبتات الكمومية. لم يحاول الباحثون تعليم الآلة ما يجب فعله، بل تركوا الآلة تتطور وفقاً لقوانينها الداخلية الخاصة بينما يقومون بتغذيتها بتدفق من البيانات. لقد خلق استجابة الآلة الطبيعية لهذه البيانات خريطة عالية الأبعاد للمعلومات. وكان الجزء الوحيد الذي قاموا بتدريبه هو خطوة نهائية بسيطة، وهي "القراءة الخطية"، التي تعلمت كيفية ترجمة الحالة الداخلية المعقدة للآلة إلى تنبؤ مفيد. ويتجنب هذا النهج مشكلات التحسين الصعبة والمكلفة التي تعيق عادةً تعلم الآلة الكمومي.

ولاختبار هذه الفكرة، استخدم الفريق "ملدناً كمومياً" من نوع (D-Wave)، وهو جهاز فائق التوصيل قابل للبرمجة. قاموا ببرمجة الآلة بجدول زمني محدد يتضمن عملية تُعرف باسم "التلدين العكسي" (reverse annealing). تبدأ هذه التقنية بجعل الآلة في حالة معروفة، ثم تنقلها إلى حالة أكثر كمومية وتقلبًا، وتثبتها هناك للحظة، ثم تحركها للأمام مرة أخرى. تسمح هذه الوقفة للنظام باستكشاف بيئته المحلية والاستقرار في تكوين جديد يحمل معلومات حول المدخلات التي تلقاها. ووجد الباحثون أن هذه الحركة المحددة كانت حاسمة؛ فعندما أوقفوا التفاعلات بين البتات الكمومية، مما جعلها تعمل بمفردها فعلياً، فقدت الآلة كل ذاكرة للمدخلات. وقد أثبت هذا أن التفاعل المعقد بين البتات الكمومية خلال عملية التلدين ضروري لكي تحتفظ الآلة بالمعلومات بمرور الوقت.

بعد ذلك، أخضع الباحثون نموذجهم لسلسلة من الاختبارات الصارمة لمعرفة مدى قدرته على تذكر ومعالجة البيانات. أولاً، تحققوا من قدرته على استدعاء المدخلات الماضية، وهو مقياس يُعرف بـ "سعة الذاكرة". واكتشفوا أنه باستخدام آلية تغذية راجعة لإعادة مخرجات الآلة إلى نفسها، استطاع النظام تذكر المعلومات لفترة أطول بكثير مما تسمح به النماذج القياسية. وفي الواقع، لم تتلاشَ الذاكرة فحسب، بل أظهرت علامات على الانتعاش، مما يشير إلى أن النظام كان يحتفظ بالمعلومات بطريقة معقدة وغير خطية. كما اختبروا حجم الآلة، ووجدوا أن القوة الكاملة لـ 4500 بت كمومي كانت ضرورية لتحقيق هذه النتائج؛ حيث فشلت نسخ أصغر من نفس الإعداد في الاحتفاظ بالارتباطات اللازمة، مما يسلط الضوء على أن الحجم الهائل للنظام الكمومي كان عاملاً رئيسياً في نجاحه.

وبعيداً عن الذاكرة البسيطة، تحدى الفريق الآلة بمهام تتطلب فهم العلاقات المعقدة. طلبوا منها حل لغز منطقي يُعرف بمهمة (XOR)، والتي تتضمن تحديد زوجية مدخلين. هذه مشكلة لا يمكن لآلة خطية بسيطة حلها، لكن "الخزان الكمومي" تعامل معها بدقة عالية، حيث تنبأ بالنتيجة بنسبة تقارب 99 في المائة. وقد أظهر هذا أن الآلة لم تكن تحفظ البيانات فحسب، بل كانت تحولها بالفعل إلى شكل تصبح فيه الأنماط المعقدة مرئية. ومع ذلك، كان الاختبار الأكثر تطلباً هو التنبؤ بالسلاسل الزمنية الفوضوية؛ حيث غدّى الباحثون الآلة ببيانات من نموذجين رياضيين شهيرين يولدان سلوكاً فوضوياً غير متوقع: سلسلة "ماكي-غلاس" (Mackey-Glass) ونظام "اللفافة المزدوجة" (double-scroll). نجحت الآلة في التنبؤ بالقيم المستقبلية لهذه السلاسل، حتى للخطوات البعيدة في المستقبل. وفي حالة نظام اللفافة المزدوجة، تمكنت الآلة من إعادة بناء "الجذب الفوضوي" (chaotic attractor)، وهو شكل هندسي معقد يحدد سلوك النظام، مما يمثل المرة الأولى التي يتم فيها تحقيق مثل هذا النوع من إعادة البناء باستخدام حاسوب كمومي.

تشير نتائج هذه الدراسة إلى أن الملدنات الكمومية هي منصة قابلة للتطبيق لتعلم الآلة واسع النطاق، لا سيما للمهام التي تتضمن بيانات زمنية. أظهر الباحثون أنه من خلال الاستفادة من الديناميكيات الأصلية لنظام كمومي كبير، استطاعوا معالجة المعلومات الزمنية دون الحاجة إلى التدريب الثقيل الذي يحد من النهج الأخرى. كما قدموا دليلاً على أن الطبيعة الكمومية للتفاعلات، وتحديداً ديناميكيات الأجسام المتعددة الناتجة أثناء عملية التلدين، هي أمر لا غنى عنه لعمل النظام. وبينما يظل السؤال مفتوحاً عما إذا كانت الحواسيب الكلاسيكية ستتمكن في النهاية من محاكاة هذه النتائج، إلا أن التجربة تثبت أن الأجهزة الكمومية الحالية يمكنها بالفعل القيام بمهام يصعب على النماذج القياسية تنفيذها. يفتح هذا العمل مساراً جديداً لاستخدام الآلات الكمومية ليس فقط للتحسين، بل كمحركات قوية للتعلم والتنبؤ، مما يثبت أن أفضل طريقة لتعليم الآلة أحياناً هي تركها تعمل من تلقاء نفسها.