Same Spectrum, Harder First-Order Training: Phase-Locking in Single- versus Multi-Qubit Re-Uploading Circuits
على الرغم من أن دوائر إعادة الرفع أحادية الكيوبت يمكنها تمثيل نفس متسلسلة فوريه مثل الدوائر متعددة الكيوبتات ذات ميزانية ترميز مكافئة، إلا أنها تعاني من ظاهرة "قفل الطور" التي تقيد بشدة بُعد الفضاء المماسي، مما يؤدي إلى تدريب من الدرجة الأولى أصعب بكثير ومعدلات تقارب أقل مقارنة بالتحكمات متعددة الكيوبتات الأكثر عرضاً.
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 مجال الحوسبة الكمومية الناشئ، يتعلم الباحثون كيفية تسخير القوانين الغريبة للفيزياء التي تحكم عالم الجسيمات دون الذرية لحل مشكلات بالغة التعقيد تعجز عنها الحواسيب الفائقة اليوم. وتعد الدائرة الكمومية التباينية أداة مركزية في هذا المسعى، وهي نوع من الخوارزميات المصممة لتعلم الأنماط من البيانات تماماً مثل الشبكة العصبية، ولكن باستخدام البتات الكمومية، أو "الكيوبيتات"، بدلاً من الكيوبيتات الكلاسيكية. تعمل هذه الدوائر عن طريق ترميز المعلومات في زوايا الدوران المطبقة على الكيوبيتات، مما يحول الآلة فعلياً إلى محرك رياضي متطور يمكنه تقريب المنحنيات المعقدة. وبالنسبة للبيانات البسيطة أحادية الأبعاد، يعلم العلماء منذ فترة طويلة أنه يمكنهم المقايضة بين عدد الكيوبيتات المستخدمة وعدد الخطوات التي يتخذونها. بعبارة أخرى، يمكن لآلة تحتوي على كيوبيت واحد وتعمل لفترة طويلة أن تنتج، من الناحية النظرية، نفس النتائج تماماً لآلة تحتوي على العديد من الكيوبيتات وتعمل لفترة قصيرة. ويشير هذا المرونة إلى أن بناء أجهزة كمومية أصغر وأبسط قد يكون بنفس قوة بناء أجهزة أكبر وأكثر تعقيداً، بشر tä توفر الأجهزة الأصغر عمقاً كافياً.
ومع ذلك، كشفت دراسة جديدة أجراها باحثون من جامعة ميونيخ وشركة Aqarios GmbH أن هذا التكافؤ النظري ينهار عندما يتعلق الأمر بالعملية الفعلية لتدريب هذه الآلات. فبينما يمكن لدائرة ذات كيوبيت واحد أن تمثل نفس الدوال الرياضية لدائرة ذات كيوبيتين، إلا أنه من الصعب جداً تعليم نسخة الكيوبيت الواحد كيفية إيجاد الحل الصحيح. وقد اكتشف الباحثون أن آلة الكيوبيت الواحد تعاني من قيد هيكلي يسمونه "قفل الطور" (phase-locking). ولأن حالة الكيوبيت الواحد محصورة على سطح كرة، فإن كل تعديل يتم إجراؤه على معاملاته يحرك النظام على طول اتجاه واحد مشترك. ويعني هذا القيد أن الآلة لا تملك مساحة إضافية للمناورة؛ فهي مجبرة على السير على حبل مشدود حيث يجب أن تكون كل خطوة متوافقة تماماً لتغيير المخرجات. في المقابل، تمتلك آلة الكيوبيتين مساحة حالة أكبر بكثير، مما يسمح لمعاملاتها بالتحرك في اتجاهات متعددة ومستقلة في وقت واحد. وتوفر هذه الحرية الإضافية شبكة أمان، مما يجعل من السهل كثيراً على خوارزمية التدريب التنقل في مشهد الأخطاء المعقد وإيجاد الحل الأمثل.
ولاختبار ذلك، أعد الفريق تجربة منضبطة قارنت بين ثلاثة تصميمات مختلفة للدوائر. استخدموا دائرة "متسلسلة" بكيوبيت واحد وسلسلة طويلة من العمليات، وقارنوها بدوائر ذات كيوبيتين تمتلك نفس القدرة الإجمالية لترميز المعلومات. وقاموا بتدريب هذه الآلات على مجموعة متنوعة من الأهداف الرياضية، تتراوح من المنحنيات السلسة والمتوقعة إلى مجموعات البيانات المعقدة من العالم الحقيقي مثل سجلات درجات الحرارة الشهرية وأسعار الأسهم اليومية. وكانت النتائج صارخة؛ فعند استخدام طرق التدريب القياسية التي تعتمد على حساب التدرجات، فشلت دائرة الكيوبيت الواحد في الوصول إلى الحل الأفضل في الغالبية العظمى من المحاولات، خاصة مع زيادة تعقيد المشكلة. وفي اختبار باستخدام ميزانية ترميز عالية، نجحت دائرة الكيوبيت الواحد في ثلاث محاولات فقط من أصل مائة، بينما نجحت دائرة التحكم ذات الكيوبيتين في تسع وتسعين محاولة. وحتى عندما طابق الباحثون عدد المعاملات القابلة للتعديل لضمان مقارنة عادلة، ظلت آلة الكيوبيت الواحد متأخرة باستمرار، وغالباً ما قدمت تنبؤات أقل دقة بكثير من نظيرتها ذات الكيوبيتين.
استكشف الباحثون ما إذا كانت هذه الصعوبة ناتجة ببساطة عن وقوع خوارزمية التدريب في وضع بداية سيء أو صراع مع مشهد رياضي ضعيف التكييف. ووجدوا أنه بينما واجهت دائرة الكيوبيت الواحد غالباً ظروفاً رياضية صعبة أثناء التدريب، إلا أن المشكلة كانت أعمق من مجرد سوء حظ أو بداية سيئة. فعندما انتقلوا إلى طريقة تدريب أكثر قوة من الدرجة الثانية، وهي أقل حساسية لهذه العقبات الرياضية، تقلصت الفجوة بين التصميمين لكنها لم تختفِ. لا تزال آلة الكيوبيت الواحد تفشل في التقارب في حالات كثيرة نجحت فيها آلة الكيوبيتين. وهذا يشير إلى أن القيد ليس مجرد عقبة مؤقتة يمكن لخوارزمية أفضل التغلب عليها، بل هو عيب هيكلي جوهري. فآلة الكيوبيت الواحد تفتقر ببساطة إلى درجات الحرية الإضافية المطلوبة لاستكشاف مساحة الحل بفعالية، مما يتركها بلا اتجاهات احتياطية لتصحيح مسارها عندما تنحرف عن الطريق.
لهذا الاكتشاف تداعيات هامة على مستقبل التعلم الآلي الكمومي. فهو يشير إلى أنه بينما قد يبدو بناء أجهزة أصغر ذات كيوبيت واحد مساراً جذاباً لتجنب التحديات الهندسية لإدارة العديد من الكيوبيتات، إلا أنه قد يأتي بتكلفة باهظة في الأداء. وتوضح الدراسة أنه بالنسبة للبيانات أحادية الأبعاد، فإن التعقيد الإضافي المتمثل في إضافة كيوبيت ثانٍ ليس مجرد رفاهية بل هو ضرورة للتدريب الموثوق. فنظام الكيوبيتين، بقدرته على التحرك في اتجاهات متعددة في آن واحد، يوفر المتانة اللازمة لإيجاد الحل الأفضل باستمرار. وبينما لم يختبر الباحثون كل السيناريوهات الممكنة، أكدت عمليات المحاكاة التي أجروها على مجموعات بيانات من العالم الحقيقي أن نهج الكيوبيت الواحد يؤدي غالباً إلى أخطاء أعلى في التنبؤ. وفي نهاية المطاف، يوضح هذا العمل أنه في العالم الكمومي، لا يتعلق امتلاك المزيد من المساحة بالحصول على مساحة أكبر فحسب؛ بل يتعلق بالحرية في إيجاد المسار الصحيح في مشهد قد يكون من المستحيل التنقل فيه لولا ذلك.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.