Distilling Datasets into Shallow Circuits for Quantum Machine Learning
تقدم هذه الورقة البحثية تقنية تقطير البيانات الكمومية (QDD)، وهي طريقة تعمل على تقطير مجموعات البيانات الكاملة مباشرة إلى مجموعة صغيرة من الدوائر الضحلة ذات المعلمات للتخلص من عبء إعداد الحالة المتكرر، مما يحقق دقة مقاربة للتدريب على البيانات الكاملة مع تقليل عدد الطلقات (shot counts) بشكل كبير، وقد تم التحقق من نجاحها على أجهزة كمومية حقيقية.
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 مجال تعلم الآلة الكمي الناشئ، يقوم العلماء بتعليم الحواسيب التعلم باستخدام القواعد الغريبة للفيزياء الكمية. فبدلاً من البتات القياسية الموجودة في الحواسيب التقليدية، والتي تكون إما صفراً أو واحداً، تستخدم هذه الآلات البتات الكمية، أو ما يعرف بـ "الكيوبتات" (qubits)، والتي يمكن أن توجد في تركيبات معقدة من الحالات. ولتعليم مثل هذه الآلة، يجب على الباحثين أولاً ترجمة البيانات العادية، مثل صورة فوتوغرافية، إلى حالة كمية محددة. هذه الترجمة ليست مجرد عملية نسخ بسيطة؛ بل تتطلب تسلسلاً متخصصاً من العمليات، يُعرف باسم "الدائرة" (circuit)، لتجهيز البيانات قبل أن تتمكن الآلة من معالجتها. وتكمن المشكلة في أن إنشاء تسلسل التحضير هذا مكلف للغاية من حيث الوقت وقوة الحوسبة. فلكل صورة واحدة تحتاج الآلة للتعلم منها، يجب بناء وتشغيل دائرة التحضير مرة أخرى. وعند التعامل مع آلاف الصور، تصبح هذه العملية عائقاً هائلاً، مما يؤدي إلى إبطاء عملية التدريب بشكل كبير واستهلاك الموارد التي تعد نادرة في الوقت الحالي.
لقد طور فريق من الباحثين في معهد "ريكن إيه آي بي" (RIken AIP) طريقة جديدة لحل هذه المشكلة من خلال تغيير كيفية تحضير البيانات من الأساس. فبدلاً من محاولة ضغط الصور الموجودة ثم التفكير في كيفية تحميلها في آلة كمية، قرروا تصميم البيانات وتعليمات التحميل في آن واحد. ويطلقون على هذا النهج اسم "تقطير مجموعة البيانات الكمية" (Quantum Dataset Distillation). تخيل أنك تحاول وضع مكتبة من الكتب في حقيبة صغيرة. الطريقة التقليدية ستكون باختيار أهم الكتب، وتقليص حجمها، ثم المعاناة في معرفة كيفية حزمها بكفاءة. لكن هذه الطريقة الجديدة تتخطى خطوات التقليص والحزم تماماً؛ فبدلاً من ذلك، يقوم الباحثون بإنشاء مجموعة صغيرة من "الكتب" الاصطناعية الجديدة كلياً، والتي صُممت من الصفر لتناسب الحقيبة تماماً. هذه العينات الاصطناعية ليست صوراً على الإطلاق، بل هي التعليمات الدقيقة اللازمة لتحميل البيانات في الآلة الكمية.
اختبر الباحثون هذه الفكرة على مجموعتين شهيرتين من الصور: إحداهما تحتوي على أرقام مكتوبة بخط اليد، والأخرى تحتوي على صور لملابس. أرادوا معرفة ما إذا كان بإمكانهم تدريب نموذج كمي باستخدام جزء ضئيل من البيانات مع الحفاظ على انخفاض تكلفة تحميل هذه البيانات. وفي تجاربهم، أنشأوا مجموعة بيانات مقطرة تتكون من عشر عينات اصطناعية فقط لكل فئة من صور. ويمثل هذا تقليلاً لحجم مجموعة البيانات الأصلية بمعامل يصل إلى حوالي ستة آلاف مرة. ورغم هذا الاختزال الهائل، فإن النماذج الكمية التي تم تدريبها على هذه العينات العشر لكل فئة أدت أداءً يقارب أداء النماذج المدربة على المجموعة الكاملة المكونة من ستين ألف صورة. وكان مفتاح نجاحهم هو أنهم لم يعاملوا البيانات وعملية التحميل كمشكلتين منفصلتين؛ فمن خلال تحسين البيانات مباشرة كمتسلسلة من العمليات الكمية، ضمنوا أن كل معلومة يتم الاحتفاظ بها هي شيء يمكن للآلة استخدامه بالفعل دون إهدار الجهد في تحضيرات مستحيلة.
كانت إحدى أهم النتائج هي مقدار ما وفره هذا الأسلوب من إجمالي عدد المرات التي يتعين فيها على الآلة إجراء تجاربها. ففي الحوسبة الكمية، تتطلب كل عملية قياس تشغيل دورة كاملة للآلة، وهي عملية مكلفة. وعندما قام الباحثون بتدريب نماذجهم باستخدام عدد محدود من القياسات في كل خطوة، وصل نهجهم المقطر إلى مستويات عالية من الدقة باستخدام عدد عمليات أقل بأكثر من مائة مرة من الطريقة القياسية. وهذا يشير إلى أنه من خلال تنسيق البيانات بعناً مع القيود الفيزيائية للآلة، يمكن للعلماء تحقيق نتائج قوية دون الحاجة إلى كميات هائلة من وقت الحوسبة التي تجعل التدريب الكمي صعباً للغاية في الوقت الحالي.
كما قارن الفريق طريقتهم باستراتيجيات أخرى تحاول تقليل حجم البيانات. فبعض الأساليب تكتفي باختيار الصور الأكثر تمثيلاً من المجموعة الأصلية، بينما يحاول البعض الآخر ضغط الصور أولاً ثم التفكير في كيفية تحميلها. ووجد الباحثون أن هذه الخطوات المنفصلة غالباً ما تفشل لأن عملية الضغط تفقد معلومات لا يمكن لدائرة التحميل استعادتها. في المقابل، حافظ نهجهم المشترك على المعلومات سليمة لأن البيانات لم تنفصل أبداً عن التعليمات اللازمة لتحميلها. وعندما اختبروا نماذجهم على أجهزة كمية حقيقية متاحة من شركة "آي بي إم" (IBM)، صمدت النتائج؛ حيث أظهرت النماذج المدربة على مجموعات بياناتهم الصغيرة المقطرة أداءً يقارب أداء تلك المدربة على البيانات الكاملة، حتى عند تشغيلها على آلات صاخبة وغير مثالية.
يُظهر هذا العمل أن الطريقة التي نجهز بها البيانات للحواسيب الكمية لا تقل أهمية عن الخوارزميات التي نستخدمها للتعلم منها. فمن خلال تصميم البيانات وتعليمات التحميل معاً، أظهر الباحثون أنه من الممكن تدريب نماذج كمية فعالة باستخدام جزء ضئيل من الموارد المعتادة. إنهم لم يجدوا فقط وسيلة لجعل العملية أسرع، بل وجدوا وسيلة لجعلها ممكنة ومجدية. وتشير الدراسة إلى أن مستقبل تعلم الآلة الكمي قد يعتمد ليس فقط على بناء آلات أكبر وأقوى، بل على إيجاد طرق أكثر ذكاءً وكفاءة لتغذيتها بالمعلومات التي تحتاجها. ومن خلال هذا التوافق الدقيق بين البيانات والأجهزة، تم خفض الحاجز أمام التعلم الكمي العملي، مما يوفر مساراً واضحاً نحو تدريب هذه الأنظمة المعقدة في العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.