Learning and interpreting policies for simultaneous entanglement requests in quantum networks

قد لا يقتصر مستقبل الإنترنت على كونه أسرع فحسب، بل قد يكون مختلفاً بشكل جذري، مبنياً على القواعد الغريبة لفيزياء الكم. تخيل شبكة عالمية لا ترتبط فيها الحواسيب عبر كابلات تحمل بتات من البيانات، بل عبر اتصال دقيق يسمى "التشابك". في هذه الحالة، يصبح جزيئان مرتبطين بعمق شديد بحيث تؤثر حالة أحدهما فوراً على الآخر، بغض النظر عن مدى بعدهما عن بعضهما البعض. هذه الظاهرة هي العمود الفقري لما يُقترح أن يكون إنترنت كمي، وهو نظام مصمم لأداء مهام مستحيلة على آلات اليوم، مثل الاتصالات فائقة الأمان أو الحوسبة الموزعة التي تقسم عملية حسابية ضخمة واحدة عبر العديد من الأجهزة الكمية الصغيرة. ومع ذلك، فإن بناء هذه الشبكة أمر صعب للغاية؛ فالروابط هشة، وعرضة للانكسار بسبب الضجيج والمسافة، والموارد اللازمة للحفاظ عليها نادرة. تماماً كما يجب على مراقب حركة المرور إدارة السيارات على طريق سريع مزدحم لمنع الازدحام، تحتاج الشبكة الكمية إلى مدير ذكي ليقرر متى وكيف يتم إنشاء هذه الاتصالات العابرة، لضمان اجتماع القطع الصحيحة في الوقت المناسب قبل أن تتلاشى.

لقد عالج الباحثون في جامعة ستوني بروك وجامعة فرجينيا تيك مشكلة الإدارة هذه من خلال تعليم حاسوب كيف يعمل كمنظم لحركة المرور ذلك. فقد ركزوا على تحدٍ محدد: جدولة مهام معقدة متعددة في وقت واحد في شبكة تكون فيها الروابط بين العقد غير موثوقة. في عمليات المحاكاة التي أجروها، تتكون الشبكة من عدة عقد كمية، كل منها يحمل عدداً صغيراً من وحدات الذاكرة التي يمكنها تخزين أزواج متشابكة. وتتصل هذه العقد بروابط فيزيائية تحاول التنشيط بشكل عشوائي؛ ففي بعض الأحيان تنجح، وفي أحيان أخرى تفشل. وعندما يتنشط رابط ما، يكون له عمر محدود قبل أن ينتهي. ولأداء مهمة ما، مثل عملية حسابية موزعة، يجب على الشبكة أولاً إنشاء رابط "افتراضي" بين عقد متباعدة، ويتم ذلك من خلال إجراء عملية تسمى "تبادل التشابك"، والتي تستهلك الروابط الموجودة لجس الفجوة. والهدف هو تلبية قائمة من التجارب المختلفة، حيث تتطلب كل تجربة نمطاً معيناً من الاتصالات، في أسرع وقت ممكن دون استنفاد الموارد.

ولحل هذه المعضلة، استخدم الفريق طريقة تسمى "التعلم التعزيزي"، وهي نوع من الذكاء الاصطناعي حيث يتعلم الحاسوب من خلال التجربة والخطأ. لقد أنشأوا بيئة افتراضية حيث يمكن لـ "وكيل" (agent) أن يختار إنشاء رابط افتراضي، أو وضع تجربة، أو مجرد الانتظار. كان الوكيل يحصل على نقاط عند إحراز تقدم، وعقوبات عند إضاعة الوقت أو إنشاء اتصالات لا تساعد في المهمة. ومن الأهمية بمكان أنهم دربوا الوكيل باستخدام تقنية تسمى "التعلم المنهجي" (curriculum learning). فبدلاً من إلقاء الوكيل في البيئة الأكثر صعوبة وضجيجاً على الفور، بدأوا به في بيئة هادئة حيث تتنشط الروابط بشكل متكرر. وبينما تعلم الوكيل النجاح هناك، قام الباحثون تدريجياً بزيادة الضجيج، مما جعل تنشيط الروابط أكثر صعوبة. سمح هذا للوكيل ببناء أساس متين من الاستراتيجيات قبل مواجهة الفوضى في شبكة واقعية وفاقدة للاتصال. كما زودوه بشبكة عصبية مصممة لفهم شكل الشبكة، مما يسمح له برؤية كيفية اتصال العقد المختلفة وأين يمكن أن تتشكل الاختناقات.

كانت نتائج هذا التدريب مذهلة. فعند اختبار السياسة المتعلمة مقابل الاستراتيجيات القياسية القائمة على القواعد التي صممها البشر، أثبتت السياسة المتعلمة أنها أكثر قوة بكثير. في عمليات المحاكاة باستخدام ثلاثة أشكال مختلفة للشبكة — مركز يشبه النجمة، وشكل "دمبل" بجسر ضيق، وشبكة كثيفة — نجح وكيل الذكاء الاصطناعي في إكمال جميع المهام حتى عندما كان احتمال تنشيط الرابط أقل بكثير مما تستطيع الطرق القائمة على القواعد التعامل معه. وفي السيناريوهات الأكثر تحدياً، حافظ الوكيل على معدل نجاح مثالي حتى عندما كان احتمال تنشيط الرابط أقل بنسبة تصل إلى 71 بالمائة مما يمكن لأفضل منهجية تقليدية (heuristic) أن تتحمله. علاوة على ذلك، عندما أضاف الباحثون قيداً واقعياً حيث لا يمكن تشغيل تجارب معينة إلا على أنواع محددة من الأجهزة، تكيف الذكاء الاصطناعي وظل يتفوق على الطرق التقليدية، محافظاً على معدلات نجاح عالية مع موثوقية روابط أقل. لم يكتفِ الوكيل بالنجاة من الضجيج فحسب، بل أدار المسارات بكفاءة أكبر، حيث أكمل المهام في خطوات أقل واستخدم موارد أقل من النهج القائم على القواعد.

ربما كان الجزء الأكثر إثارة للاهتمام في الدراسة هو محاولة فهم كيف اتخذ الذكاء الاصطناعي قراراته. ولأن نماذج التعلم العميق غالباً ما تُعتأب بأنها "صناديق سوداء"، أراد الباحثون معرفة ما إذا كان بإمكانهم استخراج المنطق الكامن وراء نجاح الذكاء الاصطناعي. لقد أخذوا سلسلة من الإجراءات التي اتخذها الوكيل المدرب وسألوا نموذج لغة كبير، وهو ذكاء اصطناعي متطور لتوليد النصوص، لتحليل هذه التحركات وكتابة مجموعة جديدة من القواعد بناءً عليها. ومن المثير للدهشة أن مجموعة القواعد الجديدة، التي يمكن التعبير عنها بلغة طبيعية، أدت أداءً مشابهاً للذكاء الاصطناعي المعقد الأصلي. يشير هذا إلى أن الذكاء الاصطناعي قد تعلم استراتيجية منطقية يمكن ترجمتها إلى تعليمات مفهومة للبشر. وهذا يعني أنه بالنسبة للشبكات الكمية المستقبلية الضخمة، حيث قد يكون تدريب ذكاء اصطناعي جديد من الصفر مكلفاً جداً من الناحية الحسابية، قد نتمكن من تدريب نموذج مرة واحدة، واستخراج حكمه في قواعد بسيطة، ثم تطبيق تلك القواعد على مواقف جديدة.

لا يدعي هذا العمل أنه قد حل التحديات الهندسية لبناء إنترنت كمي، ولا يثبت أن هذه الأساليب ستعمل على الأجهزة الفعلية غداً. تعتمد النتائج بالكامل على عمليات محاكاة حاسوبية لديناميكيات الشبكة. ومع ذلك، توضح الدراسة أن سياسات الجدولة الذكية يمكن أن تتفوق بشكل كبير على المنهجيات التي صممها البشر لإدارة الموارد الهشة لشبكة كمية. ومن خلال إظهار أن الذكاء الاصطناعي يمكنه تعلم التنقل في بيئات عالية الضجيج وأن استراتيجياته يمكن تلخيصها في قواعد مفهومة، يقدم البحث مساراً واعداً للمضي قدماً. إنه يشير إلى أنه مع نمو الشبكات الكمية من منصات اختبار صغيرة إلى أنظمة عالمية معقدة، فإن المفتاح لكفاءتها قد لا يكمكم فقط في الأجهزة الأفضل، بل في برمجيات ذكية ومتكيفة تعرف كيف تحافظ على رقصة التشابك الدقيقة مستمرة، حتى عندما تخفت الموسيقى.