Adaptive Rotation for iSOMA: Geometry, Benchmarking, and Noise Robustness in Variational Quantum Objectives

إن تحسين نظام معقد يشبه غالباً محاولة العثور على أعمق وادٍ في مشهد طبيعي شاسع يلفه الضباب. ففي العديد من المجالات العلمية والهندسية، يتعين على الباحثين ضبط عشرات المتغيرات في وقت واحد للعثور على أفضل نتيجة ممكنة، سواء كان ذلك يعني تصميم هوائي أكثر كفاءة، أو ضبط تفاعل كيميائي، أو برمجة حاسوب كمي. التحدي يكمن في أن التضاريس نادراً ما تكون مسطحة أو بسيطة؛ فقد تكون ملتوية، مع وجود وديان طويلة وضيقة تمتد في اتجاهات لا تتوافق مع خطوط الشبكة على الخريطة. وقد تكون وعرة، مليئة بالقمم الزائفة التي تخدع عملية البحث وتجعلها تتوقف في وقت مبكر جداً. كما يمكن أن تكون صاخبة، حيث يتغير قياس الموقع قليلاً في كل مرة تنظر فيها إليه، مما يجعل من الصعب معرفة ما إذا كنت تتحسن حقاً أم أنك ترى مجرد تقلب عشوائي. وللتنقل عبر هذا المشهد، يستخدم العلماء خوارزميات تعمل مثل فريق من المستكشفين، يرسلون العديد من المرشحين لاختبار أماكن مختلفة ويتشاركون المعلومات لتوجيه الخطوات التالية.

أحد هؤلاء المستكشفين هو خوارزمية تُسمى iSOMA، والتي تحرك مرشحيها نحو قائد حالي، وهو أفضل حل تم العثور عليه حتى الآن. ومع ذلك، فإن هذه الخوارزمية لديها سمة غريبة: فهي تقرر أي المتغيرات سيتم تغييرها عن طريق رمي عملة معدنية لكل منها بشكل مستقل. يعمل هذا جيداً إذا كان الوادي يمتد بشكل مستقيم على طول محاور الشمال والجنوب أو الشرق والغرب في الخريطة، ولكن إذا كان الوادي مائلاً، ويمتد بشكل قطري عبر الشبكة، فإن الخوارزمية تعاني. فهي تستمر في محاولة التحرك في خطوط مستقيمة تقطع جدران الوادي، مما يهدر الجهد ويبطئ التقدم. والسؤال الذي طرحه الباحثون هو ما إذا كان بإمكانهم تعليم الخوارزمية التعرف على ميل الوادي وتدوير اتجاه بحثها ليتناسب معه، دون استبدال طريقتها البسيطة والفعالة في الحركة.

في دراسة نُشرت في مجلة arXiv، طور الباحثان فوتيتش نوفاك وإيفان زلينكا نسخة جديدة من هذه الخوارزمية تسمى iSOMA-AR. لقد منحا الخوارزمية آلية تعلم بسيطة: كلما نجح مرشح في التحرك باتجاه الهدف، تسجل الخوارزمية اتجاه تلك الحركة. ومع مرور الوقت، تبني الخوارزمية خريطة ذهنية للاتجاهات التي حققت أفضل النتائج. فإذا كانت الحركات الناجحة تشير باستمرار إلى اتجاه قطري، تتعلم الخوارمة تدوير شبكة البحث الخاصة بها لتتماشى مع ذلك الاتجاه. ثم تطبق اختيارها المعتاد للمتغيرات القائم على "رمي العملة" ضمن هذا الإطار الجديد المدوّر. وهذا يسمح لفريق المستكشفين بالتحرك مباشرة أسفل الوادي بدلاً من التحرك بشكل متعرج عبره. اختبر الباحثون هذه الفكرة على مجموعة واسعة من المشاهد الرياضية، من معايير الاختبار القياسية إلى تحديات الهندسة الواقعية وحتى مشاعد الطاقة المعقدة للحواسيب الكمية.

أظهرت النتائج أن هذا التصحيح الهندسي كان فعالاً للغاية في المشكلات التي يكون فيها المشهد مائلاً أو ممتداً في اتجاهات محددة. وفي مجموعة قياسية مكونة من 24 دالة اختبار صعبة، تفوقت الخوارزمية الجديدة بشكل كبير على النسخة الأصلية، لا سيما في المشكلات التي عُرفت بصعوبتها بالنسبة للباحثين القائمين على الإحداثيات. وكان التحسن أكثر دراماتيكية في المشاهد التي كانت شديدة الحساسية لزاوية الاقتراب. ومع ذلك، وجدت الدراسة أيضاً أن هذه الميزة ليست عالمية؛ ففي المشكلات التي كانت منسجمة بالفعل مع الشبكة القياسية، أو حيث كانت التضاريس وعرة جداً بحيث لا يهيمن اتجاه واحد، لم تقدم الطريقة الجديدة سوى فائدة ضئيلة مقارنة بالأصلية. وقد أكد الباحثون أن التحسن جاء تحديداً من التوجه المتعلم، وليس فقط من إضافة دوران عشوائي، وذلك من خلال مقارنة الطريقة الجديدة بنسخة استخدمت زاوية عشوائية ثابتة.

ثم نقل الباحثون الخوارزمية إلى العالم الحقيقي، واختبروها على 22 مشكلة هندسية متنوعة تتراوح بين إدارة شبكات الطاقة وتصميم مسارات المركبات الفضائية. وهنا، كانت النتائج مختلطة؛ فبينما قدمت الخوارزمية الجديدة أداءً جيداً في مجموعة فرعية محددة من مشكلات أنظمة الطاقة، إلا أنها لم تظهر ميزة ذات دلالة إحصائية على النسخة الأصلية عبر المجموعة الكاملة من المهام الواقعية. وهذا يشير إلى أنه بينما كان التعلم الهندسي قوياً، فإن المشكلات الواقعية كانت غالباً متنوعة للغاية أو معقدة بحيث لا يمكن لإصلاح هندسي واحد حل كل شيء. كما قارنت الدراسة الطريقة الجديدة بخوارزميات رائدة أخرى، ووجدت أنه بينما كانت تنافسية، إلا أنها لم تتفوق على أكثر الأساليب التكيفية تقدماً المتاحة لكل نوع من أنواع المشكلات.

لعل النتيجة الأكثر إثارة للدهشة ظهرت عندما اختبر الباحثون الخوارزميات على أهداف الحوسبة الكمية، حيث تكون البيانات بطبيعتها صاخبة. في هذه التجارب، تعرضت قياسات مشهد الطاقة لتقلبات عشوائية، مما يحاكي القيود الواقعية للأجهزة الكمية الحالية. في هذه البيئة الصاخبة، أثبتت كل من الخوارزمية الأصلية والنسخة المدوّرة الجديدة أنهما قويتان للغاية، حيث تفوقتا على العديد من الأساليب المتطورة الأخرى. واكتشف الباحثون أن هذه القدرة على الصمود لم تأتِ من ميزة الدوران الجديدة، بل كانت خاصية في آلية الحركة الأساسية للخوارزمية الأصلية. فالطريقة التي تقبل بها الخوارض أو ترفض بها الحركات وكيفية تعاملها مع المسار نحو القائد سمحت لها بتجاهل الضجيج ومواصلة التقدم. ولم تؤدِ ميزة الدوران الجديدة إلى تحسين الأداء في الظروف الصاخبة، كما لم تضره. وقد كشف هذا عن فصل واضح: الدوران ساعد الخوارزمية على التنقل في هندسة المشكلة، بينما وفرت استراتيجية الحركة الأصلية الدرع الواقي ضد الضجيج.

تخلص الدراسة إلى أن الدوران التكيفي أداة قوية لحل المشكلات حيث يكون مجال الحل مائلاً أو ممتداً، مما يسمح للخوارزميات البسيطة بالتغلب على القيود الهندسية. ومع ذلك، فهي ليست حلاً سحرياً لكل نوع من أنواع الصعوبات؛ فهي لا تجعل الخوارزمية أفضل تلقائياً في التعامل مع الضجيج، ولا تضمن النجاح في كل التطبيقات الواقعية. يسلط العمل الضوء على أنه في البحث عن تحسين أفضل، نحتاج إلى أدوات مختلفة لتضاريس مختلفة. فأحياناً تكون المشكلة في شكل الوادي، وهنا يساعد الدوران. وأحياناً أخرى، تكون المشكلة في الضباب، وهنا يتطلب الأمر نوعاً مختلفاً من الاستراتيجيات. ومن خلال عزل هذه التأثيرات، قدم الباحثون صورة أوضح لكيفية بناء خوارزميات بحث أفضل للمشاهد المعقدة والصاخبة، والملتوية غالباً، في العلوم والهندسة الحديثة.