When Quantum Meets AI: Quantum Methods for Machine Learning and Machine Learning Methods for Quantum Systems
تستكشف هذه الأطروحة التآزر ثنائي الاتجاه بين الحوسبة الكمومية والذكاء الاصطناعي من خلال تطوير تقنيات تعلم آلي معززة كمومياً لتحسين التصنيف على الأجهزة ذات الضجيج، وتطبيق أساليب التعلم الآلي لتحسين تصحيح الخطأ الكمومي ومحاكاة الحالة الكمومية العصبية.
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 العالم الحديث، أصبحت الحواسيب بارعة للغاية في التعرف على الأنماط، بدءاً من تحديد الوجوه في الصور وصولاً إلى ترجمة اللغات. وتأتي هذه القدرة من الذكاء الاصطناعي، وهو مجال حيث تتعلم البرمجيات من كميات هائلة من البيانات. وفي الوقت نفسه، يبني العلماء نوعاً جديداً من الحواسيب القائمة على القواعد الغريبة لميكانيكا الكم. تستخدم هذه الآلات جسيمات يمكنها الوجود في حالات متعددة في آن واحد، مما يوفر إمكانية حل مشكلات مستعصية على حواسيب اليوم الفائقة. لسنوات طويلة، تساءل الباحثون عما إذا كان بإمكان هاتين التقنيتين القويتين مساعدة بعضهما البعض. هل يمكن للحواسيب الكمومية أن تجعل الذكاء الاصطناعي أسرع وأذكى؟ وعلى العكس من ذلك، هل يمكن لخوارزميات الذكاء الاصطناعي الذكية أن تساعد في إصلاح الطبيعة الهشة والمليئة بالأخطاء للآلات الكمومية؟ يقع هذا السؤال في قلب بحث جديد يتعامل مع العلاقة بين هذين المجالين ليس كطريق ذي اتجاه واحد، بل كتبادل ثنائي الاتجاه حيث يقدم كل جانب أدوات لحل أصعب مشكلات الآخر.
تستكشف أطروحة دكتوراه حديثة من جامعة يونسي هذا التقاطع من خلال معالجة تحديين متميزين. فمن ناحية، يتساءل البحث عن كيفية جعل الحواسيب الكمومية أفضل في التعلم. ومن ناحية أخرى، يتسผล عن كيفية مساعدة الذكاء الاصطناعي للحواسيب الكمومية على البقاء في البيئة الصاخبة والفوضوية التي تعمل فيها. ويكشف العمل أن نجاح نموذج تعلم الآلة الكمومي يعتمد غالباً على كيفية إعداد البيانات الخام قبل دخولها إلى الآلة، أكثر من اعتماده على الرياضيات المعقدة داخل الحاسوب. كما يظهر أيضاً أنه من خلال استعارة أفكار من الذكاء الاصطناعي الحديث، يمكن للعلماء بناء أنظمة أسرع وأكثر موثوقية لتصحيح الأخطاء في الحسابات الكمومية، وهي خطوة حاسمة نحو بناء حاسوب كمومي عامل.
يركز الجزء الأول من الدراسة على مشكلة تنشأ عند محاولة تعليم حاسوب كمومي التعرف على الأنماط، مثل التمييز بين الأرقام المكتوبة بخط اليد المختلفة. في الحاسوب القياسي، يتم إدخال البيانات كقائمة من الأرقام. أما في الحاسوب الكمومي، فيجب أولاً تحويل هذه البيانات إلى حالة كمومية، وهي عملية تسمى "التضمين" (embedding). واكتشف الباحثون أنه إذا تم هذا التحويل بشكل سيئ، فإن الحاسوب الكمومي محكوم عليه بالفشل، بغض النظر عن مدى ذكاء خوارزمية التعلم. ووجدوا أن صعوبة المهمة تتحدد بمدى تباعد الحالات الكمومية للفئات المختلفة عن بعضها البعض؛ فإذا كانت الحالات قريبة جداً، فلن تتمكن الآلة من التمييز بينها.
ولحل هذه المشكلة، طور الفريق طريقة تسمى "التضمين الكمومي العصبي" (Neural Quantum Embedding). فبدلاً من استخدام قاعدة ثابتة وجامدة لتحويل البيانات إلى حالات كمومية، استخدموا شبكة عصبية كلاسيكية — وهي نوع من أنواع الذكاء الاصطناعي — لتعلم أفضل طريقة للقيادة بالتحويل. يعمل هذا الذكاء الاصطناعي كمترجم، حيث يعيد تشكيل البيانات بحيث تكون الفئات المختلفة متباعدة بوضوح عندما تدخل أخيراً إلى الحاسوب الكمومي. وفي الاختبارات باستخدام أجهزة كمومية حقيقية، أدى هذا النهج إلى تحسين الأداء بشكل كبير؛ حيث قفز نظام كان يعاني سابقاً من أجل التخمين الصحيح، محققاً دقة تبلغ حوالي 53 بالمائة فقط، إلى دقة تتجاوز 96 بالمائة بمجرد معالجة البيانات مسبقاً بواسطة هذا الذكاء الاصطنا الذي يتعلم. كما أظهر الباحثون أن هذه الطريقة تعمل حتى على الأنواع القديمة من الآلات الكمومية التي تستخدم الجزيئات السائلة بدلاً من الدوائر الإلكترونية، مما يثبت متانة الفكرة عبر التقنيات المختلفة.
وبعيداً عن جعل الآلة أكثر ذكاءً، بحثت الدراسة أيضاً في مدى جودة أداء هذه النماذج الكمومية عند مواجهة بيانات جديدة لم ترها من قبل. في تعلم الآلة، يعد "الحفظ" (memorizing) بدلاً من تعلم القواعد الأساسية فخاً شائعاً، مما يؤدي إلى الفشل في المهام الجديدة. وجد الباحثون أن الطرق التقليدية لقياس تعقيد النموذج، مثل عدّ المعلمات (parameters)، لم تكن جيدة في التنبؤ بهذا الفشل. بدلاً من ذلك، اكتشفوا أن النظر إلى "ثقة" تنبؤات النموذج كان مؤشراً أفضل بكثير. فعندما اتخذ النموذج الكمومي قرارات بثقة عالية، فإنه يميل إلى التعميم بشكل جيد على البيانات الجديدة. ويربط هذا الاكتشاف بين الفصل الفيزيائي لحالات البيانات وقدرة النموذج على التعلم، مما يشير إلى أن طريقة إعداد البيانات لا تقل أهمية عن خوارزمية التعلم نفسها.
أما النصف الثاني من البحث فيقلب السيناريو، متسائلاً كيف يمكن للذكاء الاصطناعي مساعدة الحواسيب الكمومية. فالآلات الكمومية هشة للغاية بطبيعتها؛ إذ يمكن للاضطرابات الطفيفة من البيئة أن تسبب أخطاء تفسد الحسابات. ولإصلاح ذلك، يستخدم العلماء أكواد تصحيح الخطأ، والتي تنشر المعلومات عبر العديد من الجسيمات بحيث إذا فشل أحدها، يمكن للآخرين إنقاذ الموقف. ومع ذلك، تولد هذه الأكواد تدفقاً هائلاً من البيانات التي يجب قراءتها وتصحيحها في الوقت الفعلي. وإذا كانت عملية التصحيح بطيئة جداً، فإن الأخطاء ستتراكم بسرعة أكبر مما يمكن إصلاحه.
عالج الباحثون ذلك من خلال تصميم نوع جديد من "المفكك" (decoder)، وهو نظام يقرأ إشارات الخطأ ويخبر الحاسوب بكيفية إصلاحها. وقد استبدلوا البنية القياسية المستخدمة في هذه المفكات بتصميم أحدث وأكثر كفاءة يسمى "مامبا" (Mamba). هذا التصميم الجديد أسرع بكثير في معالجة تسلسلات البيانات الطويلة مقارنة بالمعيار السابق. وفي عمليات المحاكاة، طابق المفك الجديد دقة الأنظمة القديمة ولكنه فعل ذلك بتأخير أقل بكماً. وعندما وضع الباحثون في اعتبارهم أن المفك نفسه يستغرق وقتاً للعمل، أصبح التفوق في السرعة فارقاً بين الحياة والموت. فقد سمح المفك الأسرع للنظام الكمومي بتحمل معدل أعلى من الأخطاء قبل أن ينهار، مما رفع فعلياً من العتبة لما هو ممكن. وهذا يشير إلى أنه مع نمو الحواسيب الكمومية، سيكون استخدام هذه المفكات المدفوعة بالذكاء الاصطناعي والأسرع أمراً ضرورياً لإبقائها قيد التشغيل.
أخيراً، بحثت الدراسة في كيفية إيجاد أدنى حالة طاقة للأنظمة الكمومية المعقدة، وهي مهمة حيوية لفهم المواد والكيمياء. وغالباً ما يتم ذلك باستخدام طريقة تسمى "إعادة التشكيل العشوائي" (stochastic reconfiguration)، وهي في الأساس وسيلة لضبط معلمات الشبكة العصبية لتقليل الخطأ. وأدرك الباحثون أنه في الأنظمة الحديثة واسعة النطاق، يمكن لهذه الطريقة أن تكون غير مستقرة لأنها تحاول ملاءمة الكثير من المعلومات من عدد محدود من العينات. وأظهروا أن تعديلاً رياضياً محدداً، يُعرف باسم "الإزاحة القطرية" (diagonal shift)، يعمل كمرشح ينعم الضوضاء في البيانات. ومن خلال استخدام تقنية تجمع بين عدة نسخ مختلفة من هذا المرشح، تمكنوا من تقليل الضوضاء وإيجاد حلول أكثر دقة من ذي قبل. ويوفر هذا العمل فهماً أوضح لكيفية ضبط هذه الأدوات القوية حتى لا ترتبك بسبب العشوائية المتأصلة في القياسات الكمومية.
ترسم هذه النتائج مجتمعة صورة لمجال يتطور بسرعة. يوضح البحث أن الطريق نحو حوسبة كمومية قوية لا يكمن فقط في بناء أجهزة أفضل، بل في برمجيات أذكى. فمن خلال استخدام الذكاء الاصطناعي لإعداد البيانات للآلات الكمومية، واستخدام خوارزميات التعلم المتقدمة لإدارة الأخطاء التي ترتكبها تلك الآلات حتماً، يبني العلماء جسراً بين اثنين من أكثر المجالات تعقيداً في العلم. ويشير العمل إلى أن مستقبل التكنولوجيا الكمومية سيعتمد على هذه الشراكة، حيث يقدم كل تخصص الأدوات التي يحتاجها الآخر للتغلب على أكثر قيوده استعصاءً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.