Beyond QAOA: A Review of AI and Quantum Computing for Adaptive Combinatorial Optimization
تجادل هذه المراجعة لـ 119 ورقة بحثية بأنه في حين أن سير العمل التكيفي المدفوع بالذكاء الاصطناعي يعزز بشكل كبير التحسين الكمي التوافقي على المدى القريب من خلال إدارة القيود والضجيج، فإن الأدلة على تحسين الحوسبة الكمية لمحسنات تعلم الآلة تظل مقتصرة على عمليات محاكاة صغيرة النطاق، مما يسلط الضوء على أن التقدم المستقبلي يعتمد على التعامل مع التوسع كتحدٍ لتخصيص الموارد على مستوى الأنظمة بدلاً من كونه تحدياً خوارزمياً بحتاً.
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 عالم اللوجستيات والنقل وسلاسل التوريد، يواجه المخططون باستمرار تحديًا صعبًا: كيفية ترتيب مجموعة من المهام أو العناصر لتحقيق أفضل نتيجة ممكنة. سواء كان ذلك في إيجاد أقصر مسار لشاحنة توصيل، أو تعبئة حاوية شحن بكفاءة، أو جدولة طاقم المستشفى، فإن هذه المشكلات هي حالات يكون فيها عدد الترتيبات الممكنة هائلًا لدرجة أن فحصها واحدة تلو الأخرى أمر مستحيل. لعقود من الزمن، اعتمد العلماء على أجهزة كمبيوتر كلاسيكية قوية واختصارات رياضية ذكية لإيجاد حلول جيدة. ومؤخرًا، دخل نوع جديد من الآلات إلى المشهد: الكمبيوتر الكمي. وخلافًا لأجهزة الكمبيوتر التقليدية التي تعالج المعلومات كأزرطة بسيطة تعمل بنظام (تشغيل أو إيقاف)، تستخدم الآلات الكمية قواعد الفيزياء الغريبة لاستكشاف العديد من الاحتمالات في وقت واحد. وكان الأمل هو أن تتمكن هذه الآلات من حل ألغاز التخطيط الضخمة هذه بشكل أسرع وأفضل من أي شيء آخر. ومع ذلك، لا تزال الأجهزة الكمية الحالية صغيرة، وهشة، وعرضة للأخطاء، مما يجعل من الصعب استخدامها في مهام العالم الحقيقي.
تتناول مراجعة جديدة أعدها هونغ تشوين لاو من جامعة سنغافورة للإدارة الحالة الراهنة لهذا المجال، وتنظر تحديدًا في كيفية استخدام الذكاء الاصطناعي لجعل الحواسيب الكمية أكثر فائدة لمشكلات التخطيط هذه. يبحث المؤلف في سؤال محدد: بدلًا من مجرد محاولة جعل الآلة الكمية نفسها أسرع، هل يمكننا استخدام برمجيات ذكية لتقرير كيف ومتى، بل وحتى ما إذا كان ينبغي لنا استخدام الآلة الكمية على الإطلاق؟ تحلل المراجعة ما يقرب من مائة وعشرين ورقة بحثية لمعرفة ما ثبت فعليًا مقابل ما لا يزال مجرد نظرية. وتشير النتائج إلى أنه بينما يساعد الذكاء الاصطناعي بالفعل في جعل التجارب الكمية أكثر كفاءة وأقل هدرًا، فإن فكرة أن الحواسيب الكمية تتفوق حاليًا على أفضل الحواسيب الكلاسيكية في إعداد عملي وواقعي تظل غير مثبتة.
تقدم المراجعة طريقة جديدة للتفكير في هذه المشكلات، حيث تصفها ليس كخطوة واحدة بل كخط إنتاج طويل من القرارات. تخيل خط تجميع في مصنع حيث ينتقل المنتج من محطة إلى أخرى. في النهج التقليدي، تكون كل محطة ثابتة: تُستخدم نفس الأدوات، وتُغذى المواد نفسها، ويوجد نفس عدد العمال، بغض النظر عما يحدث على الخط. في النهج "التكيفي" الجديد الموصوف في الورقة، يعمل الذكاء الاصطناعي كمشرف يراقب الخط في الوقت الفعلي. يمكن لهذا المشرف أن يقرر تغيير الأدوات، أو تخطي محطة، أو حتى إيقاف الخط إذا رأى أن نهجًا مختلفًا سيعطي نتيجة أفضل. وفي سياق الحوسبة الكمية، يعني هذا أن البرمجيات يمكنها اختيار كيفية كتابة المشكلة، وكيفية تقسيمها إلى قطع أصغر، وأي آلة كمية محددة ستستخدم، أو ما إذا كان ينبغي استخدام آلة كمية على الإطلاق.
ينظم المؤلف البحث في ثلاث فئات رئيسية لمعرفة أين يتقدم العمل وأين يضعف. الفئة الأولى هي "الذكاء الاصطناعي من أجل الكم" (AI for Quantum)، حيث يساعد الذكاء الاصطناعي في ضبط وتحكم الآلة الكمية. هنا، الأدلة هي الأقوى. فقد أظهر الباحثون أن خوارزميات التعلم يمكنها التنبؤ بأفضل الإعدادات للآلة الكمية قبل أن تبدأ حتى، مما يوفر الوقت ويقلل من عدد المرات التي يلزم فيها استدعاء الآلة. كما وجدوا طرقًا لاستخدام الذكاء الاصطناعي لإصلاح الأخطاء التي تحدث أثناء العملية ولتحديد الأجزاء المحددة من المشكلة التي تستحق الإرسال إلى الآلة الكمية. وفي كثير من هذه الحالات، يجعل الذكاء الاصطناعي العملية الكمية أرخص وأكثر موثوقية، حتى لو لم تكن الآلة الكمية نفسها أسرع من الكمبيوتر الكلاسيكي بعد.
الفئة الثانية هي "الكم من أجل الذكاء الاصطناعي" (Quantum for AI)، حيث يحاول الباحثون استخدام الآلة الكمية لجعل الذكاء الاصطناعي نفسه أكثر ذكاءً. هذا هو الاتجاه المعاكس. وهنا، الأدلة أضعف بكثير. وبينما تظهر بعض الدراسات أن النماذج الكمية يمكنها تعلم الأنماط بطريقة مدمجة، فإن معظم هذه النتائج تأتي من عمليات محاكاة على أجهزة كمبيوتر عادية بدلاً من الأجهزة الكمية الفعلية. وعندما يحاول الباحثون مقارنة هذه النماذج الكمية بأفضل نماذج الذكاء الاصطناعي الكلاسيكية، نادرًا ما تظهر النسخ الكمية تفوقًا واضحًا. وتشير المراجعة إلى أن العديد من هذه الدراسات لا تختبر أفكارها على آلات كمية حقيقية مليئة بالضجيج، وعندما يفعلون ذلك، غالبًا ما تكون النتائج محدودة بمشكلات صغيرة جدًا.
الفئة الثالثة هي "التحسين المشترك" (Co-Optimization)، حيث يدير الذكاء الاصطناست العملية بأكملاء، ويقرر مزيج الموارد الكلاسيكية والكمية التي سيتم استخدامها في كل خطوة. هذه هي المنطقة الأكثر تقدمًا وواعدًا، ولكنها أيضًا الأقل نضجًا. الأنظمة الأكثر إفادة في هذا المجال بدأت تتعلم متى لا تستخدم الآلة الكمية. لقد تعلمت أن أفضل حركة أحيانًا هي تخطي الخطوة الكمية تمامًا واستخدام كمبيوتر كلاسيكي بدلاً من ذلك، لأن الآلة الكمية قد تكون بطيئة للغاية، أو مليئة بالضوضاء، أو مكلفة للغاية لمهمة معينة. هذا "الاستخدام الانتقائي" يبرز كمبدأ رئيسي: الهدف ليس فرض كل مشكلة على آلة كمية، بل استخدامها فقط عندما تقدم فائدة واضحة.
رغم الحماس، تقدم المراجعة واقعًا صادمًا حول الحالة الراهنة للتكنولوجيا. يقدم المؤلف تسلسلًا هرميًا للأدلة لتقييم مدى صلابة النتائج. في الأسفل توجد الأفكار التي تعمل فقط في النظرية أو في المحاكاة المثالية. وفي الأعلى توجد النتائج التي تثبت أن الطريقة الكمية أفضل من الطريقة الكلاسيكية الأفضل عند إعطائهما نفس القدر من الوقت والموارد. وتجد المراجعة أن أي دراسة تقريبًا في المجال بأكمله لم تصل إلى هذا المستوى الأعلى. معظم التجارب لا تزال عالقة في المستويات الأدنى، وغالبًا ما تختبر مشكلات صغيرة جدًا بحيث لا تكون ذات معنى. وتستخدم الدراسة المتوسطة سبعة عشر بتًا كميًا فقط، وهو عدد قليل جدًا لحل مشكلات اللوجستيات في العالم الحقيقي. علاوة على على ذلك، تفشل العديد من الدراسات في مقارنة نتائجها مع منافسين كلاسيكيين أقوياء، مما يجعل من الصعب معرفة ما إذا كان النهج الكمي يفعل أي شيء مفيد حقًا.
تجادل الورقة بأن العائق الرئيسي أمام التقدم لم يعد مجرد عدد البتات في الآلة، بل تعقيد النظام بأكمله. فحتى لو امتلكت الآلة الكمية عددًا كافيًا من البتات، فقد تكون المشكلة صعبة للغاية بحيث لا يمكن ترميزها دون استهلاك جميع الموارد، أو قد تكون الأخطاء مرتفعة جدًا بحيث لا يمكن الحصول على إجابة جيدة. وتقترح المراجعة أن مستقبل هذا المجال يكمن في بناء أنظمة هجينة حيث تعمل أجهزة الكمبيوتر الكلاسيكية والكمية معًا بسلاسة. يعمل الذكاء الاصطناعي هنا كقائد الأوركسترا، يقرر أي آلة تعزف أي نوتة. قد يستخدم كمبيوترًا كلاسيكيًا للقيام بالعمل الشاق، ولا يستدعي الآلة الكمية إلا لخطوة محددة وصعبة حيث قد يمتلك ميزة عليها.
في النهاية، تخلص الورقة إلى أننا نبتعد عن فكرة وجود خوارزمية كمية واحدة تحل كل شيء. وبدلاً من ذلك، يتطور المجال إلى نظام متطور من الأدوات التكيفية. ستكون الأنظمة الأكثر نجاحًا هي تلك التي يمكنها التعرف على متى يستحق النهج الكمي التكلفة ومتى لا يستحق ذلك. وبينما لم يصل حلم الحواسيب الكمية التي تحل مشكلات التخطيط الضخمة بين عشية وضحاها بعد، فإن دمج الذكاء الاصطناعي يجعل الآلات الحالية، رغم عدم كمالها، أكثر عملية وكفاءة. إن الطريق إلى الأمام لا يتعلق بانتظار آلات أكبر، بل ببناء أنظمة أذكى تعرف كيفية استخدام الآلات التي نمتلكها اليوم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.