Transformers as Intrinsic Optimizers for Quantum Approximate Optimization Algorithm
تقترح هذه الورقة إطار عمل للتحسين الجوهري يعتمد على نموذج "ترانسفورمر" (Transformer) يتعلم التنبؤ بتحديثات معاملات خوارزمية (QAOA) من خلال معالجة بنية المشكلة وتاريخ التحسين، مما يستبدل التحسين الكلاسيكي المكلف والمخصص لكل حالة بسياسة قابلة للنقل ومستهلكة للتكلفة (amortized) تعزز الأداء الهجين بين الحوسبة الكمية والكلاسيكية في اختبارات "ماكس كات" (MaxCut).
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 السباق لبناء حواسيب كمومية مفيدة، يعمل العلماء حالياً على أجهزة قوية ولكنها غير مثالية. هذه الأجهزة، المعروفة باسم الحواسيب الكمومية ذات المقياس المتوسط المشوبة بالضجيج، يمكنها إجراء حسابات معقدة ولكنها عرضة للأخطاء ومحدودة الحجم. ولجعلها مفيدة للمشكلات الواقعية مثل اللوجستيات أو النمذجة المالية، يعتمد الباحثون على استراتيجية محددة تسمى "خوارزمية التحسين التقريبي الكمومي". فكر في هذه الخوارزمية كآلة مكونة من جزأين: معالج كمومي يستكشف مشهداً شاسعاً من الحلول الممكنة، وحاسوب كلاسيكي يعمل كمرشد، يخبر الآلة الكمومية بكيفية ضبط إعداداتها لإيجاد أفضل إجابة. الجزء الكمومي يشبه متنزهاً يستكشف سلسلة جبال ضبابية، بينما الجزء الكلاسيكي هو الخريطة والبوصلة التي تقرر الاتجاه الذي يجب اتخاذه تالياً. ويعتمد نجاح العملية بأكملها بشكل كبير على مدى قدرة هذا المرشد الكلاسيكي على التعلم من تقدم المتنزه واتخاذ قرارات ذكية بشأن الخطوة التالية.
لسنوات عديدة، شغل هذا الدور الإرشادي أدوات رياضية قياسية صُممت منذ عقود لأنواع مختلفة من المشكلات. غالباً ما تعاني هذه الأدوات عندما تواجه التضاريس الوعرة والمسننة للتحسين الكمومي، مما يتطلب محاولات عديدة وقدرة حوسبة كبيرة لإيجاد حل جيد. وقد اقترح فريق من الباحثين الآن نهجاً مختلفاً: استبدال المرشد التقليدي بذكاء اصطناعي متخصص يتعلم كيفية التحسين مباشرة من البيانات التي يراها. ومن خلال تدريب شبكة عصبية متطورة لتعمل كمرشد، أنشأوا نظاماً يمكنه التنبؤ بأفضل التعديلات على الإعدادات الكمومية بناءً على بنية المشكلة وتجربته السابقة. هذا الأسلوب الجديد لا يكتفي بالتخمين؛ بل يتعلم نمطاً من التحسن يمكن تطبيقه على العديد من المشكلات المماثلة، مما يجعل البحث عن الحلول أسرع وأكثر موثوقية.
ركز الباحثون عملهم على لغز كلاسيكي يُعرف باسم مشكلة "MaxCut"، والتي تتضمن تقسيم شبكة من النقاط المتصلة إلى مجموعتين بحيث تكون الروابط بين المجموعتين قوية قدر الإمكان. في إعدادهم، يقوم الحاسوب الكمومي بإعداد حالة من المادة تمثل حلاً محتملاً، ويقوم الحاسوب الكلاسيكي بقياس النتيجة لمعرفة مدى جودتها. في الإعداد القياسي، يستخدم الحاسوب الكلاسيكي قاعدة ثابتة وصلبة لتقرير كيفية تغيير الإعدادات للمحاولة التالية. ومع ذلك، فإن النهج الجديد يعامل عملية اتخاذ القرار كشيء يمكن تعلمه. فقد بنى الفريق نظاماً يعتمد على نوع من الذكاء الاصطناعي يسمى "Transformer"، وهو مشهور بقدرته على فهم العلاقات المعقدة في البيانات. وبدلاً من مجرد النظر إلى النتيجة الحالية، ينظر هذا النظام إلى شكل المشكلة، والإعدادات الحالية، وسجل المحاولات السابقة، والتغذية الراجعة من الآلة الكمومية للتنبؤ بالخطوة التالية.
لاختبار ما إذا كانت هذه الفكرة ناجحة، درب الباحثون ذكاءهم الاصطناعي على مجموعة كبيرة من مشكلات الشبكات العشوائية. لقد علموا النظام التعرف على البنية الأساسية لهذه المشكلات وتعلم استراتيجية لتحسين الحل بمرور الوقت. وبمجرد التدريب، طلبوا من الذكاء الاصطناعي حل مشكلات جديدة لم يسبق له رؤيتها من قبل. أظهرت النتائج أن هذا المرشد المتعلم كان فعالاً بشكل ملحوظ. ففي الاختبارات التي شملت شبكات تصل إلى ثلاث عشرة نقطة، وجد الذكاء الاصطناعي باستمرار حلولاً أفضل من الطرق التقليدية مثل "الانحدار الاشتقاقي" (gradient descent) أو تقنيات التحسين القياسية الأخرى. كما أثبت أنه أكثر استقراراً، مما يعني أنه لم يتعثر أو يفشل كثيراً عندما أصبحت المشكلات أكبر أو أكثر تعقيداً. وقد أظهرت الدراسة أن الذكاء الاصطناعي يمكنه تعميم تعلمه، حيث يأخذ الأنماط التي اكتشفها أثناء التدريب ويطبقها بنجاح على مواقف جديدة دون الحاجة إلى البدء من الصفر.
كانت إحدى أهم النتائج هي أن النظام لم يكن بحاجة لأن يكون ضخماً ليعمل بشكل جيد. اختبر الباحثون أحجاماً مختلفة لنموذج الذكاء الاصطناعي ووجدوا أن حجماً متوسطاً كان كافياً لالتقاط الأنماط اللازمة. ولم يؤدِ جعل النموذج أكبر بكثير إلى نتائج أفضل بالضرورة، بل جعل النظام أحياناً أصعب في التدريب. وهذا يشير إلى أن الميزة تأتي من الطريقة التي صُمم بها النظام لتعلم عملية التحسين، وليس مجرد امتلاك عدد هائل من المعلمات. كما تحقق الفريق مما إذا كان النظام يقوم فقط بحفظ بيانات التدريب أم أنه يتعلم حقاً استراتيجية مفيدة. لقد قارنوا ذكاءهم الاصطناعي بنسخة طُلب منها عدم إجراء أي تغييرات على الإطلاق؛ فكان الذكاء الاصطناعي الذي تعلم كيفية ضبط الإعدادات يتفوق بمراحل، مما أثبت أن التحسن جاء من قدرته على اتخاذ قرارات ذكية، وليس فقط من قدرة الحاسوب الكمومي على استكشاف الاحتمالات.
كما بحثت الدراسة في كيفية أداء النظام مع زيادة عمق وتعقيد الدوائر الكمومية. ومع زيادة عدد الطبقات في الدائرة الكمومية، تصبح مشكلة إيجاد الإعدادات الصحيحة أصعب لجميع الطرق. ومع ذلك، حافظ المُحسِّن المتعلم على ميزته، مستمراً في إيجاد حلول عالية الجودة حتى عندما اتسعت مساحة البحث بشكل كبير. وهذا يشير إلى أن النظام يمكنه التعامل مع التعقيد المتزايد للأجهزة الكمومية المستقبلية. كما فحص الباحثون كيف أثرت كمية بيانات التدريب على الأداء، ووجدوا أن النظام يتعلم بسرعة ويصل إلى نقطة تناقص العوائد بعد التدريب على عدد قليل نسبياً من الأمثلة، مما يشير إلى أنه فعال في استخراج المعلومات الأكثر أهمية من البيانات التي يراها.
بينما تعد النتائج واعدة، فإن الباحثين حذرون في وصف هذا العمل كخطوة للأمام وليس كحل نهائي. لقد أُجري العمل في عمليات محاكاة، والخطوة التالية ستكون اختبار هذه الأساليب على أجهزة كمومية حقيقية حيث يوجد الضجيج والأخطاء الواقعية. يقترح الفريق أنه يمكن تكييف النسخ المستقبلية من هذا النظام للتعامل مع أنواع أكثر تنوعاً من المشكلات ومراعاة القيود المحددة للآلات الكمومية الفيزيائية. ومن خلال معاملة المُحسِّن كعنصر قابل للتعلم يتطور جنباً إلى جنب مع الخوارزمية الكمومية، يقدم هذا النهج طريقة جديدة للتفكير في الحوسبة الهجينة. إنه ينقل المجال بعيداً عن الاعتماد على القواعد الثابتة المصنوعة يدوياً نحو مستقبل يتعلم فيه الحاسوب كيفية توجيه نفسه، مما قد يفتح الإمكانات الكاملة للحواسيب الكمومية لحل أصعب تحديات التحسين في العالم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.