Distance Prediction for Quantum Codes
تقدم هذه الورقة البحثية BB-Net، وهي شبكة عصبية قائمة على آلية الانتباه تتفوق بشكل كبير على أفضل الخوارزميات الاستدلالية الحالية في التنبؤ بمسافة أكواد "Bivariate Bicycle" الكمية بدقة عالية وتكلفة حوسبية ضئيلة، مما يسرع من عملية اكتشاف أكواد تصحيح الأخطاء الكمية المثلى.
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 قد تستغرق منها الأجهزة التقليدية آلاف السنين، بدءاً من كسر الشفرات التي لا يمكن كسرها وصولاً إلى محاكاة الجزيئات المعقدة. ومع ذلك، فإن اللبنات الفيزيائية لهذه الآلات، والمعروفة باسم "الكيوبتات" (qubits)، هشة للغاية؛ فهي حساسة جداً للحرارة والاهتزاز والضوضاء الكهرومغناطيسية لدرجة أنها تفقد معلوماتها في لحظات، وهي ظاهرة تسمى "فقدان الترابط" (decoherence). ولبناء آلة مفيدة، يجب على العلماء تغليف هذه الكيوبتات الدقيقة بطبقات من الحماية، وهو نظام يُعرف باسم "تصحيح الخطأ الكمومي". يعمل هذا النظام عن طريق توزيع قطعة واحدة من المعلومات عبر العديد من الكيوبتات الفيزيائية، مما يخلق شبكة أمان يمكنها اكتشاف الأخطاء وإصلاحها دون تدمير البيانات. وتُقاس قوة شبكة الأمان هذه برقم واحد يسمى "المسافة" (distance). فكر في هذه المسافة على أنها عدد الأخطاء المستقلة التي يمكن أن يتحملها الرمز قبل أن تصبح المعلومات غير قابلة للاسترداد. وكلما زادت هذه المسافة، كان الرمز أكثر متانة وقدرة على تشغيل حسابات أطول وأكثر تعقيداً.
إن العثور على أفضل الرموز هو عملية بحث هائلة. وقد طور العلماء عائلات من الرموز، مثل تلك القائمة على هياكل "الدراجة ثنائية المتغيرات" (bivariate bicycle structures)، والتي توفر توازناً واعداً بين الكفاءة والحماية. ومع ذلك، فإن تحديد المسافة الدقيقة لرمز معين هو أمر صعب للغاية؛ فهو لغز حاسوبي معقد لدرجة أن أقوى الحواسيب الفائقة تكافح لحله للرموز الكبيرة. ويعتمد الباحثون حالياً على نهجين رئيسيين: المحللات الدقيقة التي تضمن إجابة صحيحة ولكنها تستغرق أياماً أو أسابيع للتشغيل، أو عمليات البحث التجريبية (heuristic searches) الأسرع التي تقدم تقديراً مبنياً على أفضل تخمين ولكنها قد تخطئ أحياناً في تحديد الحد الحقيقي. وتؤدي هذه العقبة إلى إبطاء اكتشاف رموز أفضل، حيث لا يستطيع الباحثون فحص الملايين من التصاميم المحتملة بسرعة للعثور على القليل منها الاستثنائي حقاً.
في دراسة جديدة، قدم الباحثان ناداف شنايدر وإليا ناتشماني من جامعة بن غوريون في النقب طريقة مختلفة للمضي قدماً. فبدلاً من محاولة حل لغز المسافة من الصفر في كل مرة، قاموا بتدريب ذكاء اصطناعي للتنبؤ بالإجابة. لقد بنوا مجموعة بيانات تضم ما يقرب من 59,000 رمز كمومي، وحسبوا المسافة لكل منها باستخدام عمليات بحث حاسوبية مكلفة وعالية التكلفة. كانت هذه الحسابات بمثابة "الإجابات" لنموذج تعلم آلي أطلقوا عليه اسم "BB-Net". تم تصميم النموذج للنظر في المخطط الرياضي للرمز — وتحديداً ترتيب قواعده الوقائية — وتعلم الأنماط التي ترتبط بالمسافات العالية أو المنخفضة. ومن خلال تحليل هيكل الرمز مباشرة، بدلاً من تشغيل محاكاة بطيئة، تعلم الذكاء الاصطناعي إجراء تنبؤات سريعة.
تظهر النتائج أن هذا النهج فعال بشكل ملحوظ. فعند اختباره على مجموعة من الرموز التي لم يرها من قبل، تنبأ "BB-Net" بالمسافة بدقة بلغت 96.39 بالمائة. وقد تحقق هذا الأداء في جزء من الثانية لكل رمز. وفي المقابل، وصلت أفضل الطرق الحاسوبية الحالية، المسموح لها بالعمل لمدة تصل إلى عشرة آلاف ضعف المدة الزمنية، إلى دقة قدرها 94.86 بالمائة فقط. وفي مجموعة فرعية أصغر من الرموز التي عُرفت مسافتها بدقة مطلقة، ارتفعت دقة الذكاء الاصطناعي إلى 98.94 بالمائة. وتثبت الدراسة أن الذكاء الاصطناعي يمكنه التفوق على الطرق التقليدية المكثفة حاسوبياً مع استخدام جزء ضئيل من الوقت. وتسمح هذه السرعة للباحثين بفحص أعداد هائلة من الرموز المحتملة بشكل فوري تقريباً، واستبعاد الرموز الضعيفة وتوفير الحسابات البطيئة والمكلفة فقط للمرشحين الأكثر واعدة.
لم يعتمد الباحثون على السرعة الخام فحسب، بل هندسوا أيضاً الطريقة التي "يقرأ" بها الكمبيوتر الرمز لجعل المهمة أسهل للذكاء الاصطناعي. فقد طوروا طريقة لترجمة الوصف الجبري المعقد للرمز إلى قائمة مدمجة من الرموز (tokens)، تماماً كما يتم تقسيم الجملة إلى كلمات. كما أنشأوا منظورين مختلفين للرمز: أحدهما ينظر إلى الاتصالات المحلية بين القواعد، والآخر ينظر إلى الأنماط العالمية المتكررة للهيكل بأكمله. ومن خلال الجمع بين هذين المنظورين، تعلم النموذج فهماً عميقاً لما يجعل الرمز قوياً. كما علموا النموذج أن تغيير نقطة البداية للرمز لا يغير من قوته، مما يضمن تركيزه على الخصائص الجوهرية بدلاً من التفاصيل العشوائية.
يمثل هذا العمل تحولاً كبيراً في كيفية مقاربة العلماء لتصميم رموز تصحيح الخطأ الكمومي. فلقد كان المجال لسنوات محدداً بالوقت المستغرق للتحقق من قوة الرمز. ومن خلال تقديم أداة يمكنها التنبؤ بهذه القوة بثقة عالية في أجزاء من الثانية، أزال الباحثون عائقاً رئيسياً أمام الاكتشاف. وتؤكد الدراسة أن التعلم الآلي يمكنه تعلم القواعد الخفية لتصحيح الخطأ الكمومي من البيانات، مما يوفر بديلاً عملياً للحسابات المتكررة والمكلفة. وبينما يقدم الذكاء الاصطناعي تقديرات بدلاً من البراهين الرياضية المطلقة لكل حالة، فإن قدرته على تحديد الرموز عالية الجودة بسرعة تسرع عملية البحث عن الأنظمة القوية والقابلة للتوسع اللازمة لبناء الحواسيب الكمومية في المستقبل. إن كود هذه الأداة الجديدة متاح الآن للجمهور، مما يدعو العلماء الآخرين لاستخدامه لاستكشاف المشهد الواسع من الاحتمالات الكمومية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.