Quantum data loading from the learned shared structure of real signals
تقدم هذه الورقة مُحمِّل بيانات أصيلاً في الحوسبة الكمومية يتعلم بنية مشتركة منخفضة الأبعاد من مجموعات البيانات الحقيقية لتجهيز الإشارات باستخدام دائرة واحدة ثابتة، محققاً تفوقاً في القابلية للتوسع والكفاءة مقارنة بالطرق التقليدية من خلال تطلبه لعدد أقل من المعلمات التي تظل ثابتة حتى مع زيادة حجم البيانات.
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
تعد الحواسيب الكمومية بحل مشكلات معينة بسرعة أكبر بكثير من الآلات الحالية، لكنها تواجه عقبة مستعصية قبل أن تتمكن حتى من البدء. فلاستخدام حاسوب كمومي، يجب أولاً ترجمة المعلومات الكلاسيكية — مثل موجة صوتية، أو صورة طبية، أو سجل مالي — إلى لغة البتات الكمومية. وتُعرف هذه الترجمة، التي تُسمى "إعداد الحالة"، بصعوبتها البالغة. فإذا كانت البيانات عشوائية وغير منظمة، فإن العملية تتطلب جهداً حوسبياً هائلاً، لدرجة أنه غالباً ما يلغي أي ميزة سرعة قد يوفرها الحاسوب الكمومي لاحقاً. ويتعامل النهج القياسي مع كل قطعة بيانات جديدة كأنها لغز فريد، مما يتطلب مجموعة مخصصة من التعليمات لكل منها، وهذا يجعل العملية بطيئة ومكلفة، خاصة مع نمو حجم البيانات.
اقترح فريق من الباحثين في جامعة أليكانتي طريقاً مختلفاً للمضي قدماً، يعتمد على حقيقة أن الإشارات في العالم الحقيقي نادراً ما تكون عشوائية. فبدلاً من التعامل مع كل إشارة جديدة كغموض جديد، تساءلوا عما إذا كانت مجموعة من الإشارات المتشابهة، مثل نبضات القلب أو التيارات الكهربائية، تشترك في بنية خفية مشتركة يمكن تعلمها مرة واحدة وإعادة استخدامها. ويُظهر عملهم أنه من خلال تحديد هذه البنية المشتركة، يمكن تحميل كمية هائلة من البيانات في حاسوب كمومي باستخدام مجموعة واحدة ثابتة من التعليمات. الشيء الوحيد الذي يتغير لكل قطعة بيانات جديدة هو عدد قليل من الأرقام التي تضبط التعليمات. ويقلل هذا النهج بشكل كبير من كمية المعلومات المطلوبة لوصف كل إشارة جديدة، دون التضحية بدقة النتيجة النهائية.
اختبر الباحثون هذه الفكرة باستخدام خمس مجموعات بيانات عامة تحتوي على إشارات من العالم الحقيقي، بما في ذلك تسجيلات لنشاط القلب والتيارات الكهربائية من المحركات الصناعية. وقاموا بتقسيم البيانات إلى نوافذ وحاولوا تحميلها في محاكاة كمومية. تعمل طريقتهم، التي يسمونها "المُحمّل الأصيل للكم" (quantum-native loader)، في مرحلتين متمايزتين. أولاً، في المرحلة غير المتصلة (offline phase)، يقوم النظام بتحليل مجموعة كبيرة من الإشارات الكاملة للعثور على نمط مشترك؛ حيث يحدد مجموعة محددة من وحدات البناء التي يمكنها وصف جميع الإشارات في المجموعة، ويتعلم قاعدة رياضية تربط بين عدد قليل من الإحداثيات البسيطة والتفاصيل المعقدة لأي إشارة في تلك المجموعة. وبمجرد اكتمال عملية التعلم هذه، يقوم النظام بتجميد تكوينه، فتصبح "الدائرة"، أو مجموعة التعليمات للحاسوب الكمومي، ثابتة.
وفي المرحلة الثانية، وهي المرحلة المتصلة (online phase)، يواجه النظام إشارة جديدة. وبدلاً من تحليل الإشارة بأكملها من الصفر أو بناء تعليمات جديدة، يقوم ببساطة بإسقاط البيانات الجديدة على البنية المتعلمة والمجمدة. فهو يحسب مجموعة صغيرة من الإحداثيات — مجرد بضعة أرقام — ويستخدم القاعدة المتعلمة مسبقاً لترجمة تلك الأرقام إلى الإعدادات المحددة للدائرة الكمومية الثابتة. ووجد الباحثون أنه بالنسبة لكل إشارة جديدة، تتطلب هذه الطة حوالي ثلاثة عشر رقماً فقط لوصف البيانات، بينما تتطلب أفضل الطرق الموجودة حالياً أكثر من ثمانين رقماً لتحقيق نفس المستوى من الدقة. وهذا الاختزال مهم لأن ذلك يعني أن الحاسوب الكلاسيكي يحتاج إلى إرسال معلومات أقل بكثير إلى الحاسوب الكمومي لإنجاز المهمة.
ومن الأهمية بمكان أن الباحثين أظهروا أن هذه الكفاءة لا تأتي على حساب عبء العمل في الحاسوب الكمومي. فعلى الرغم من أن الطريقة الجديدة ترسل أرقاماً أقل إلى الآلة، إلا أن الدائرة الكمومية نفسها تستخدم عدداً مشابهاً من بوابات الكيوبت الثنائية المعقدة مقارنة بأقوى الطرق الموجودة. في الواقع، كانت النهجان متقاربان جداً في استخدام البوابات لدرجة أن الباحثين اعتبروهما متعادلين. وتكمن الميزة بالكامل في الواجهة: فالطريقة الجديدة تطلب من المستخدم تقديم بيانات أقل بكثير للحصول على نفس النتيجة. وهذا تمييز حيوي لأنه يشير إلى أن العقبة ليست في الأجهزة الكمومية نفسها، بل في كمية المعلومات الكلاسيكية المطلوبة لإعدادها.
كما استكشفت الدراسة سيناريو أكثر تحدياً: ماذا يحدث إذا لم يكن لدى النظام إمكانية الوصول إلى الإشارة بأكملها، بل إلى اختيار عشوائي من أجزائها فقط؟ ففي حالات كثيرة من العالم الحقيقي، قد تفقد المستشعرات بعض نقاط البيانات، أو قد يكون النقل غير مكتمل. واختبر الباحثون ما إذا كانت طريقتهم ستظل تعمل إذا رأت جزءاً فقط من الإشارة. ووجدوا أنه كلما زاد حجم الإشارات، ظل عدد نقاط البيانات التي تحتاجها الطريقة الجديدة للحفاظ على الدقة ثابتاً بشكل ملحوظ. وسواء كانت الإشارة تحتوي على 128 نقطة أو 2048 نقطة، فإن الطريقة احتاجت إلى مراقبة نفس العدد تقريباً من النقاط العشوائية للحصول على نتيجة جيدة. في المقابل، كانت الطرق القديمة تحتاج إلى رؤية المزيد من البيانات مع زيادة حجم الإشارات. وهذا يشير إلى أن النهج الجديد يتميز بالمتانة ضد المعلومات المفقودة، بشرط أن تكون البيانات المفقودة مبعثرة عشوائياً وليس على شكل فجوة كبيرة ومتصلة.
ومع ذلك، فقد كان الباحثون حذرين في تحديد حدود نجاحهم. فالطريقة تعمل فقط مع الإشارات التي تتوافق مع البنية المحددة التي تعلمتها. فعندما اختبروا النظام على إشارات قلب لا تطابق الأنماط التي تعلمها، رفض النظام تحميلها بشكل صحيح، بدلاً من إنتاج تقريب سيئ. وهذا "الامتناع" هو ميزة وليس خللاً؛ فهو يضمن أن النظام يعمل فقط عندما يكون واثقاً من قدرته على تلبية معيار عالٍ من الدقة. كما أشارت الدراسة إلى أن الطريقة تتطلب أمثلة كاملة للإشارات خلال مرحلة التعلم الأولية؛ فهي لا تستطيع التعلم من بيانات جزئية، ولا يمكنها التكيف فوراً مع نوع جديد تماماً من الإشارات لم يكن جزءاً من مجموعة التدريب الأصلية.
تقدم النتائج مساراً واضحاً لجعل تحميل البيانات الكمومية أكثر عملية. فمن خلال نقل العبء من الحاسوب الكمومي إلى مرحلة تعلم كلاسيكية مسبقة الحساب، أظهر الباحثون أنه من الممكن تحميل بيانات معقدة من العالم الحقيقي باستخدام دائرة ثابتة ومعاملات دنيا. ورغم أن الدراسة لم تقم بتشغيل الدوائر على أجهزة كمومية فعلية، إلا أن تحليل عدد البوابات ومعدلات الخطأ يشير إلى أن الطريقة ستصمد في بيئة مليئة بالضجيج، محتفظة بميزتها على التحميل الدقيق غير المنظم. لا يدعي هذا العمل حل كل مشكلة في الحوسبة الكمومية، ولكنه يقدم برهاناً ملموساً على أن تعلم البنية المشتركة للبيانات الحقيقية يمكن أن يفتح طريقاً أكثر كفاءة لسد الفجوة بين العالم الكلاسيكي والعالم الكمومي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.