ConQUESTA: Topology-Aware Post-Training Structural Pruning of Quantum Neural Networks
تُعدُّ ConQUESTA إطار عمل للتقليم ما بعد التدريب مدركاً للطوبولوجيا للشبكات العصبية الكمومية، يعمل على تحسين دقة المهام وكفاءة الأجهزة من خلال فحص المترابطات المرشحة والبحث عن أقنعة تقليم كاملة تحت قيود صريحة، محققاً تخفيضات كبيرة في البوابات والعمق الناتج عن المترجم عبر مختلف مقاييس الكيوبت ومجموعات 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
في المستقبل القريب، قد تساعد الحواسيب المبنية على القوانين الغريبة لميكانيكا الكم في حل مشكلات مستعصية حالياً على أجهزتنا القياسية. تستخدم هذه الحواسيب الكمومية وحدات صغيرة من المعلومات تسمى "الكيوبتات" (qubits)، والتي يمكن أن توجد في حالات متعددة في آن واحد، مما يسمح لها باستكشاف احتمالات كثيرة في وقت واحد. ولجعل هذه الآلات مفيدة لمهام مثل التعرف على الأنماط أو تصنيف البيانات، يقوم العلماء ببرمجتها باستخدام دوائر مكونة من بوابات منطقية. ومع ذلك، فإن بناء هذه الدوائر أمر صعب لأن الأجهزة المادية غالباً ما تكون متفرقة؛ فالكيوبتات ليست كلها متصلة ببعضها البعض. ولجعل الدائرة تعمل على مثل هذه الآلة، يتعين على المهندسين إدراج خطوات إضافية لنقل المعلومات بين الكيوبتات البعيدة، تماماً مثل إضافة طرق بديلة إلى خريطة طريق. هذه الطرق البديلة، المعروفة باسم عمليات التوجيه (routing operations)، تضيف تعقيداً وأخطاءً، مما يجعل البرنامج النهائي أبطأ وأقل موثوقية. ويتمثل التحدي في تصميم برنامج كمومي دقيق بما يكفي لأداء مهمته، وبسيط بما يكفي للعمل بكفاءة على هذه الأجهزة غير المثالية.
لقد طور فريق من الباحثين في جامعة نيويورك أبوظبي طريقة جديدة لحل هذه المشكلة تحديداً، مع التركيز على ما يحدث بعد تدريب الشبكة العصبية الكمومية بالفعل. تخيل طالباً درس بجد وأتقن موضوعاً ما، ولكن الامتحان النهائي يتطلب منه كتابة إجاباته باستخدام مجموعة محدودة جداً ومحددة من الأدوات. تساءل الباحثون: أي أجزاء من معرفة الطالب يمكن إزالتها لجعل الإجابة تتناسب مع تلك الأدوات، دون فقدان القدرة على الحصول على الدرجة المطلوبة؟ لقد أنشأوا إطار عمل يسمى "ConQUESTA"، والذي يعمل كمحرر ذكي لهذه الدوائر الكمومية. فبدلاً من مجرد حذف أجزاء الدائرة التي تبدو الأقل أهمية بناءً على نظرة سريعة، ينظر هذا النظام إلى الدائرة بأكملها ككيان واحد. إنه يحاكي كيفية تشغيل الدائرة فعلياً على أنواع مختلفة من الأجهزة الكمومية، ويتحقق من عدد الخطوات الإضافية التي ستكون مطلوبة لجعلها تعمل.
تبدأ العملية بتحديد الاتصالات في الدائرة التي يكون الحفاظ عليها مكلفاً مادياً ولكنها تساهم بشكل ضئيل جداً في الإجابة النهائية. ثم يختبر النظام مجموعات مختلفة من عمليات إزالة هذه الاتصالات، لكنه لا يعتمد على التخمين فحسب. فهو يقوم بتجميع كل نسخة محتملة من الدائرة، وترجمتها إلى لغة الأجهزة المادية المحددة ليرى بالضبط عدد الخطوات الإضافية، أو "الطرق البديلة"، التي ستتطلبها. وهذا فرق جوهري عن الطرق السابقة، التي كانت غالباً ما تحاول توفير الموارد من خلال النظر في اتصال واحد في كل مرة. وقد وجد الباحثون أن إزالة مجموعة من الاتصالات معاً يمكن أن يغير التصميم الكامل للدائرة بطرق يستحيل التنبؤ بها بمجرد جمع التوفيرات الناتجة عن الأجزاء الفردية. ومن خلال البحث عبر هذه المجموعات الكاملة، يجد النظام نسخة من الدائرة أكثر كفاءة بشكل كبير مع الحفاظ على دقة النموذج الأصلي.
وفي تجاربهم، اختبر الفريق هذه الطريقة على دوائر كمومية مصممة للتعرف على صور الأرقام، وتصنيف أنواع السرطان، والتعرف على الزهور. وطبقوا الطريقة على دوائر تحتوي على أربعة، وستة، وثمانية كيوبتات، حيث تمت إزالة أكثر من نصف الاتصالات في كل حالة. كانت النتائج مذهلة؛ ففي مهمة التعرف على الزهور، قللت الطريقة الجديدة الموارد المطلوبة بنسبة تزيد عن ثمانين بالمائة، وهو تحسن كبير مقارنة بأفضل التقنيات الموجودة. وبالنسبة للمهام الأخرى، كانت التحسينات كبيرة أيضاً، حيث تراوحت بين خمسة وثلاثين إلى اثنين وسبعين بالمائة. والأهم من ذلك، ظلت دقة النماذج عالية، مما أثبت أن النظام يمكنه تجريد الوزن الزائد دون كسر "عقل" الآلة. وفي الحالات التي أدت فيها عملية التقليم الأولية إلى جعل النموذج أقل دقة قليلاً، سمحت فترة قصيرة من الضبط الدقيق للنظام باستعادة الكفاءة، مما ضمن استيفاء النموذج النهائي لمعايير الأداء الصارمة.
كما استكشف الباحثون مدى قدرة هذه الطريقة على التوسع مع كبر حجم المشكلات. لقد قاموا بمحاكاة سيناريو نمت فيه عدد الاتصالات من حفنة صغيرة إلى أكثر من مئة. لولا عملية الفرز الخاصة بهم، لكان عدد الطرق الممكنة لتقليم الدائرة قد انفجر إلى الملايين، مما يجعل العثور على الحل الأمثل أمراً مستحيلاً. ومع ذلك، من خلال استخدام عملية الفرز الذكية لتقليص عدد المرشحين أولاً، لم يحتج النظام إلا لتقييم جزء ضئيل جداً من تلك الاحتمالات. وحتى مع نمو العدد الخام للخيارات بآلاف المرات، زاد عدد النسخ التي اضطر النظام لاختبارها فعلياً بشكل طفيف فقط. وهذا يشير إلى أن الطريقة يمكنها التعامل مع حواسيب كمومية أكبر وأكثر تعقيداً في المستقبل دون أن تتعثر بسبب العدد الهائل من الخيارات.
في نهاية المطاف، يقدم هذا العمل وسيلة عملية لجعل الشبكات العصبية الكمومية جاهزة للأجهزة المادية في العالم الحقيقي. إنه لا يحل محل الحاجة إلى تصميم هذه الشبكات من الصفر، ولكنه يوفر أداة قوية لصقلها بمجرد بنائها. ومن خلال التعامل مع الدائرة كنظام واحد مترابط واختبارها مقابل واقع الأجهزة، أظهر الباحثون أنه من الممكن إنشاء برامج كمومية قوية وفعالة في آن واحد. وتشير النتائج إلى أنه مع أدوات التحسين الصحيحة، يمكن تضييق الفجوة بين الخوارزميات الكمومية النظرية والآلات المادية التي تشغلها، مما يقربنا من زمن تستطيع فيه هذه الحواسيب مواجهة التحديات الأكثر صعوبة في عصرنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.