← أحدث الأبحاث
⚛️ quantum physics

When Error Mitigation Makes Things Worse: Budget-Aware Evaluation, Extrapolation Failure, and the Calibration Trust Boundary

تُظهر هذه الورقة أن تقنيات تخفيف الخطأ، ولا سيما الاستقراء غير المقيد للضجيج الصفري والمصححات العصبية، يمكن أن تضاعف الأخطاء بشكل كبير وتفشل في اكتشاف مخاطر الذيل في ظل سوء المعايرة أو قيود الميزانية، مما يكشف عن ثغرات حرجة في خطوط معالجة التعلم الكمي قصيرة المدى فيما يتعلق بسلامة المعايرة ومنهجيات التقييم.

المؤلفون الأصليون: Guilin Zhang (Workday AI Research), Kai Zhao (Workday AI Research), Xiquan Cui (Workday AI Research), Henry Heng (Workday AI Research), Xu Chu (Workday AI Research), Aletta Johanna Blanken (Workday AI
نُشر 2026-10-01
📖 4 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Guilin Zhang (Workday AI Research), Kai Zhao (Workday AI Research), Xiquan Cui (Workday AI Research), Henry Heng (Workday AI Research), Xu Chu (Workday AI Research), Aletta Johanna Blanken (Workday AI Research)

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 المختبرات الهادئة وشديدة البرودة حيث تُبنى الأجيال القادمة من الحواسيب، يصارع العلماء مشكلة جوهرية: الضجيج. هذه الآلات، المعروفة باسم الحواسيب الكمومية، مصممة لحل مشكلات معقدة عبر التحكم في الحالات الغريبة للجسيمات دون الذرية. ومع ذلك، فإن الأجهزة هشة للغاية؛ فحتى أدنى اهتزاز أو تغير في درجة الحرارة يتسبب في جعل الجسيمات تتصرف بشكل غير متوقع، مما يؤدي إلى إفساد البيانات قبل إمكانية استخدامها. ولإصلاح ذلك، طور الباحثون مجموعة من التقنيات تسمى "تخفيف الخطأ". والهدف بسيط: أخذ المخرجات الفوضوية والمشوشة من الآلة وتنظيفها رياضياً للكشف عن الإجابة الحقيقية الكامنة تحتها. إنه الفرق بين الاستماع إلى محطة راديو عبر عاصفة من التشويش وبين سماع الموسيقى بوضوح. ولكي يتقدم هذا المجال، يجب على العلماء أن يثقوا في أن طرق التنظيف هذه تعمل بالفعل ولا تجعل الإشارة أسوأ.

تتحدى دراسة حديثة من "Workday AI Research" هذه الثقة، كاشفةً أن طريقة التنظيف الأكثر شيوعاً يمكن أن تؤدي أحياناً إلى تضخيم الأخطاء التي وُجدت لإزالتها. فقد ركز الباحثون على تقنية تسمى "الاستقراء الصفري للضجيج" (zero-noise extrapolation)، والتي تعمل عبر جعل الحاسوب أكثر ضجيجاً بشكل متعمد عبر خطوات مدروسة، ثم تخمين ما كانت ستكون عليه النتيجة لو كان الضجيج صفراً. الأمر يشبه محاولة تخمين وزن شخص عبر وزنه وهو يحمل حقائب ظهر تزداد ثقلاً تدريجياً، ثم العودة بالنتائج إلى الوراء. وجدت الدراسة أنه عندما تكون الإعدادات الداخلية للحاسوب غير دقيقة تماماً -وهي حالة تُعرف باسم "سوء المعايرة"- فإن لعبة التخمين هذه تفشل فشلاً ذريعاً. ففي عمليات المحاكاة، أنتجت هذه الطريقة نتائج أسوأ من عدم فعل أي شيء على الإطلاق في ما بين 38 و63 بالمائة من الحالات. والأمر الأكثر إثارة للقلق هو أنه عندما كانت تفشل، لم تكن الأخطاء مجرد انحراف طفيف؛ بل كانت قصوى، حيث أنتجت أرقاماً أكبر بمئات المرات من الخطأ الفعلي.

اختبر الباحثون هذه النتائج على حاسوب كمومي حقيقي صغير مقدم من شركة IBM، وكانت المحاكاة صحيحة. ففي هذا الجهاز الفعلي، جعلت طريقة تخفيف الخطأ النتائج أسوأ في 80 إلى 88 بالمائة من التجارب. وأصبح متوسط الخطأ أكبر بثلاث إلى أربع مرات من البيانات الخام غير المصححة. يشير هذا إلى أن الطريقة هشة؛ فهي تعتمد على افتراض أن ضجيج الآلة يتصرف بطريقة سلسة وقابلة للتنبؤ. وعندما تمتلك الآلة انحيازاً ثابتاً وخفياً -مثل ميزان يخطئ دائماً ببضعة غرامات- فإن التخمين الرياضي للطريقة يضل طريقه بشكل جامح. كما لاحظت الدراسة أنه إذا نظر العلماء فقط إلى النتيجة "الوسطى"، أو الوسيط، فإنهم سيغفلون عن هذه الإخفاقات تماماً؛ إذ سيبدو متوسط الخطأ سيئاً للغاية، لكن القيمة الوسطى ستظهر طبيعية، مما يخفي حقيقة أن النظام ينتج قيمًا شاذة خطيرة.

ولمعالجة هذه المشكلات، استكشف الفريق نهجاً مختلفاً باستخدام نوع من الذكاء الاصطناعي، وتحديداً "الشبكة العصبية"، لتعلم كيفية تصحيح الأخطاء. لقد قاموا بتدريب هذا البرنامج الحاسوبي على آلاف الأمثلة المحاكاتية، وتعليمه كيفية التعرف على أنماط الضجيج وطرحها. ومن الأهمية بمكان أنهم قارنوا هذه الطالة الجديدة بالطريقة القديمة باستخدام نفس الحد الصارم على عدد المرات التي يمكن فيها سؤال الحاسوب الكمومي لإجراء عملية حسابية. هذا "الميزانية" هي قيد حاسم لأن تشغيل هذه الآلات مكلف ويستغرق وقتاً طويلاً. ووجدت الدراسة أنه بمجرد دفع تكلفة تدريب الذكاء الاصطناعي، أدت الشبكة العصبية أداءً جيداً جداً عند الميزانيات المنخفضة، متفوقة على الطريقة التقليدية. ومع ذلك، كان للذكاء الاصطناعي حدوده الخاصة؛ فلم يستطع نقل معرفته بشكل مثالي إلى الأجهزة الحقيقية دون مزيد من الضبط، وكان يعتمد بشدة على المعلومات المقدمة من الشركة المصنعة حول حالته الراهنة.

فتح اعتماد هذه الطريقة على بيانات الشركة المصنعة باباً جديداً لمخاطر أمنية محتملة. فقد عامل الباحثون بيانات المعايرة المقدمة من الخدمة السحابية كـ "حد ثقة"، مما يعني أن المستخدم يجب أن يأخذ كلام المزود على محمل التصديق دون القدرة على التحقق منه بنفسه. وقد أظهروا أنه إذا تمكن مهاجم من تغيير بيانات المعايرة هذه ببراعة -ربما عبر تغيير رقم يصف كيفية ضبط عناصر التحكم في الآلة- فإن تصحيح الذكاء الاصطناعي سيذهب في الاتجاه الخاطئ. في أحد الاختبارات، أدى تغيير طفيف ومحسوب في هذه البيانات الوصفية إلى زيادة الخطأ بأكثر من ثماني مرات. لقد وثق الذكاء الاصطناعي بالمعلومات الخاطئة، وجعل البيانات أسوأ بدلاً من تحسينها. يسلط هذا الضوء على ثغرة في النظام الحالي: سلامة الحساب تعتمد على نزاهة تدفق البيانات القادم من المزود، وهي حالياً غير محمية ضد التلاعب.

تخلص الدراسة إلى أن هذا المجال يحتاج إلى طريقة أكثر صدقاً لتقييم أدوات تصحيح الخطأ هذه. يجب على العلماء النظر إلى الصورة الكاملة، بما في ذلك تكلفة تشغيل الطريقة، وخطر الأخطاء القصوى، وأمن مدخلات البيانات. إن الطريقة التقليدية المتمثلة في مجرد تخمين الإجابة بناءً على مقياس الضجيج ليست حلاً سحرياً؛ إذ يمكن أن تفشل بصمت وبشكل كارثي. وبينما تظهر الأساليب القائمة على التعلم وعوداً، إلا أنها ليست مشكلة محلولة بعد، خاصة عند الانتقال من المحاكاة إلى الآلات الحقيقية. ويتطلب المسار المستقبلي اختباراً صارماً يأخذ في الاعتبار حقيقة أن هذه الآلات غير كاملة، وأن إعداداتها يمكن أن تنحرف، وأن البيانات التي تصفها يمكن التلاعب بها. وإلى أن يتم فهم هذه العوامل وتأمينها بالكامل، يجب التعامل مع الأرقام الخارجة من هذه الحواسيب القوية بقدر من الشك الصحي.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚛️ quant-ph →