Benchmarking Modular Optimization Strategies for Parameterized Quantum Circuits

في مجال الحوسبة الكمومية الناشئ، يعمل العلماء على بناء آلات تعمل وفق القواعد الغريبة لعالم ما دون الذرة. وخلافاً للحواسيب الموجودة في جيوبنا، والتي تعالج المعلومات كسلسلة بسيطة من الأصفار والآحاد، تستخدم هذه الآلات الجديدة البتات الكمومية، أو "الكيوبتات"، التي يمكن أن توجد في حالات متعددة في آن واحد. تتيح هذه الإمكانية لهذه الآلات معالجة مشكلات مستعصية حالياً على الحواسيب التقليدية، مثل تصميم أدوية جديدة أو تحسين العمليات اللوجستية المعقدة. ومع ذلك، لا تزال هذه الآلات في مهدها؛ فهي هشة، وعرضة للأخطاء الناتجة عن الحرارة والتداخل، ولا يمكنها تشغيل سوى برامج قصيرة وبسيطة قبل أن تنهار حالتها الكمومية الدقيقة. ولجعلها مفيدة، يعتمد الباحثون على نهج هجين: حيث يقوم حاسوب كلاسيكي بتوجيه معالج كمومي، عبر ضبط إعدادات الدائرة الكمومية مراراً وتكراراً للوصول إلى أفضل حل ممكن. تُعرف هذه العملية باسم "الخوارزمية التباينية"، ويعتمد نجاحها كلياً على مدى قدرة الحاسوب الكلاسيكي على توجيه الآلة الكمومية عبر مشهد من الاحتمالات.

يكمن التحدي في آلية التوجيه نفسها. ونظراً لأن الآلات الكمومية صاخبة (مليئة بالضجيج) والقياسات إحصائية، فإن الحاسوب لا يستطيع رؤية المسار المثالي للأمام؛ بل يمكنه فقط تقدير الاتجاه بناءً على عدد محدود من العينات المشوبة بالضجيج. سعى الباحثون في هذه الدراسة إلى فهم كيفية أداء استراتيجيات التوجيه المختلفة تحت هذه الظروف الصعبة. وقد بنوا إطار عمل اختبار نموذجياً يفصل بين جزأين متميزين من العملية: الطريقة المستخدمة لتقدير اتجاه التحسن، والقاعدة المستخدمة لتحديث الإعدادات بناءً على ذلك التقدير. ومن خلال معاملة هذين كعنصرين مستقلين، تمكنوا من دمج تقنيات تقدير مختلفة مع قواعد تحديث مختلفة، تماماً مثل اختبار بوصلات مختلفة مع أساليب قيادة متنوعة لمعرفة أي مزيج سيوصل السائق إلى وجهته بأكثر طريقة موثوقة.

اختبر الفريق هذه المجموعات على أربعة أنواع مختلفة تماماً من المشكلات. أولاً، واجهوا لغزاً كلاسيكياً يتمثل في تقسيم شبكة إلى مجموعتين لتعظيم الروابط بينهما، وهي مهمة تُعرف باسم "MaxCut". ثانياً، قاموا بتدريب نظام كمومي للتعرف على الزهور من مجموعة بيانات "Iris" الشهيرة. ثالثاً، استخدموا شبكة عصبية كمومية أكثر تعقيداً للتمييز بين الأرقام المكتوبة بخط اليد (صفر وواحد) من قاعدة بيانات "MNIST". وأخيراً، قاموا بمحاكاة مشكلة كيميائية: إيجاد أدنى حالة طاقة لجزيء الهيدروجين. ولكل مهمة، أجروا عمليات محاكاة على حاسوب خالٍ من الضجيج، واختاروا جولات تشغيل على معالج كمومي فيزيائي حقيقي يحتوي على 156 كيوبت. ولم يكتفوا بقياس مدى قرب النتيجة النهائية من الإجابة المثالية فحسب، بل تتبعوا أيضاً عدد المرات التي اضطر فيها النظام للاستعلام للوصول إليها، متتبعين تكلفة كل عملية قياس منفردة.

كشفت النتائج أنه لا يوجد "مُحسِّن" واحد مثالي يصلح لكل المواقف. فقد اعتمد أداء الاستراتيجية بشكل كبير على نوع المشكلة التي يتم حلها وعدد المعلمات المعنية. فبالنسبة لمهمة تصنيف الزهور، حققت طريقة استخدمت نوعاً معيناً من معلومات الانحناء جنباً إلى جنب مع قاعدة تحديث محددة، دقة مثالية عبر مختلف نقاط البداية العشوائية. وفي المقابل، بالنسبة للمحاكاة الكيميائية لجزيء الهيدروجين، أنتج مزيج مختلف من قواعد التقدير والتحديث النتائج الأكثر موثوقية، رغم أن طريقة أخرى وجدت أحياناً إجابة واحدة أفضل قليلاً. كما سلطت الدراسة الضوء على مقايضة حاسمة: فبعض الطرق التي تطلبت قياسات أكثر بكثير لم تؤدِ بالضرورة إلى نتائج أفضل. في الواقع، بالنسبة للغز الشبكة، كانت الاستراتيجية التي استخدمت قياسات أقل غالباً ما تؤدي أداءً يضاهي تلك التي قضت وقتاً أطول بكثير في جمع البيانات.

وعندما انتقل الباحثون من المحاكاة إلى المعالج الكمومي الفيزيائي، جاءت النتائج مختلطة ولكنها غنية بالمعلومات. فقد أدخلت الآلة الحقيقية ضجيجاً تسبب في جعل مسارات التحسين تتذبذب بشكل أكبر مما حدث في عمليات المحاكاة. وفي بعض الحالات، كان النظام يتحسن لفترة ثم ينحرف عائداً نحو حل أسوأ، وهو سلوك لم يظهر في عمليات المحماة النقية. لم تجد الدراسة فائزاً عالمياً يمكن إعلانه الأفضل لجميع الحواسيب الكمومية المستقبلية. بدلاً من ذلك، قدمت خريطة مفصلة لكيفية تصرف الأدوات المختلفة تحت قيود محددة. وخلص المؤلفون إلى أن اختيار استراتيجية التحسين يجب أن يُصمم خصيصاً ليتناسب مع حجم العمل، وميزانية القياس المتاحة، وخصائص الضجيج في الأجهزة. إن النهج الأكثر فعالية ليس الاعتماد على طريقة واحدة جامدة، بل فهم نقاط القوة والضعف لكل مكون بحيث يمكن اختيار المزيج المناسب للمهمة المطلوبة.