Classical Pre-Training of Large Shallow Parametrized Quantum Circuits through Pauli Propagation and deployment on Quantum Hardware
تقترح هذه الورقة إطار عمل للتدريب المسبق الكلاسيكي للدوائر الكمومية ذات المعلمات الضحلة الكبيرة باستخدام انتشار باولي لتحسين دالات الخسارة بكفاءة عبر انتشار الملحوظات الخلفي، مما يثبت نجاح نشر المعلمات الناتجة على أجهزة IBM الكمومية ذات الـ 64 كيوبت لمهام مثل حل القيم الذاتية المتغيرة والنمذجة التوليدية.
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
تقع تعلم الآلة الكمي عند التخوم حيث تلتقي القواعد الغريبة لعالم الجسيمات دون الذرية مع الحاجة العملية لحل المشكلات المعقدة. وفي جوهرها، توجد دوائر مكونة من بتات كمية، أو "كيوبتات"، والتي يمكن أن توجد في حالات متعددة في آن واحد، مما يسمح لها بمعالجة المعلومات بطرق لا تستطيع الحواسيب التقليدية القيام بها. ولجعل هذه الدوائر مفيدة، يجب على العلماء "تدريبها"، عبر ضبط إعداداتها الداخلية لإيجاد الحل الأمثل لمهمة محددة، تماماً مثل ضبط راديو للعثور على إشارة واضحة. ومع ذلك، كلما كبر حجم هذه الدوائر لمعالجة مشكلات أصعب، تصبح عملية تدريبها عائقاً. تتطلب الطريقة القياسية إرسال الدائرة ذهاباً وإياباً إلى آلة كمية فيزيائية آلاف المرات لقياس مدى أدائها. وهذا أمر بطيء ومكلف وعرضة للأخطاء لأن الأجهزة الكمية الحالية هشة وممتلئة بالضجيج. ويتمثل التحدي المركزي في إيجاد طريقة للقيام بالعمل الشاق للتدريب دون الاعتماد باستمرار على الأجهزة الحساسة.
لقد طور فريق من الباحثين نهجاً جديداً ينقل عبء التدريب بالكامل إلى الحواسيب التقليدية، تاركاً الآلة الكمية فقط للاختبار النهائي. طريقتهم، التي تسمى "انتشار باولي" (Pauli propagation)، تعمل عن طريق عكس تدفق المعلومات. فبدلاً من إرسال حالة كمية للأمام عبر الدائرة لرؤية ما سيخرج منها، يبدأون بالسؤال الذي يريدون الإجابة عليه ويعملون إلى الوراء عبر طبقات الدائرة. ومن خلال تتبع كيفية تغير السؤال أثناء تحركه عكس تدفق البوابات، يمكنهم كتابة وصف رياضي دقيق لسلوك الدائرة باستخدام قوة حاسوبية قياسية فقط. يعمل هذا الوصف كخريطة، توضح بدقة كيف سيؤثر تغيير إعدادات الدائرة على النتيجة النهائية. ولأن هذه الخريطة تُبنى على حاسوب تقليدي، يمكن للباحثين تعديل الإعدادات ملايين المرات في ثوانٍ، وهي مهمة قد تستغرق أياماً أو أسابيع إذا اضطروا لتشغيل الدائرة على جهاز كمي حقيقي لكل تغيير واحد.
اختبر الباحثون هذه الاستراتيجية على مشكلتين مختلفتين تماماً باستخدام دائرة مكونة من 64 كيوبت، وهو حجم كبير جداً بحيث لا يمكن حتى لأقوى الحواسيب الفائقة التقليدية محاكاته مباشرة. في التجربة الأولى، تناولوا مشكلة من الفيزياء تُعرف باسم "خوارزمية التباين الكمي لملكية الحالة الأرضية" (Variational Quantum Eigensolver)، والتي تُستخدم لإيجاد أدنى حالة طاقة لنظام ما، بشكل يشبه العثور على الترتيب الأكثر استقراراً للمغانط. قاموا بتدريب الدائرة على حاسوب تقليدي باستخدام طريقة الانتشار الخلفي الخاصة بهم، ثم نشروا الإعدادات الناتجة على معالج كمي حقيقي يسمى "ibm berlin". وبينما نجح التدريب الكلاسيكي في تحسين المعلمات، لاحظ الباحثون فجوة مستمرة بين النتائج التي أنتجتها الأجهزة الكمية والحالة الأرضية النظرية. وقد أرجعوا هذه الفجوة إلى دقة الأجهزة في تقدير الملحوظة بدلاً من كونها فشلاً في إجراء التدريب نفسه. وفي التجربة الثانية، قاموا بتدريب الدائرة لتعمل كمولد لصور بسيطة بالأبيض والأسود، حيث علموها أساساً كيفية إنشاء أنماط تشبه الأرقام المكتوبة بخط اليد. ومرة أخرى، قاموا بتدريب النموذج بالكامل على حاسوب تقليدي ثم شغلوا النسخة النهائية على المعالج الكمي. أنتجت الآلة صوراً يمكن التعرف عليها، وإن كانت مشوشة، للأرقام، مما أثبت أن الطريقة تعمل للمهام التوليدية أيضاً.
إن أحد النتائج الرئيسية للدراسة هو أن هذا النهج يسمح باستخدام أكثر كفاءة للأجهزة الكمية. فقد وجد الباحثون أن الدوائر التي صمموها تطلبت بوابات أقل تعقيداً بكثير من التصميمات الشائعة الأخرى المستخدمة لمهام مماثلة. وهذا التقليل أمر بالغ الأهمية لأن كل بوابة إضافية تضيف طبقة من الخطأ وتستغرق وقتاً أطلاً للتشغيل على آلة حقيقية. ومن خلال استخدام بوابات أقل، كانت الدوائر ضحلة بما يكفي ليتم تنفيذها على الأجهزة الحالية دون أن تتفكك بسبب الضجيج. كما سلطت الدراسة الضوء على أنه بينما كان التدريب الكلاسيكي فعالاً للغاية، فإن النتائج النهائية على الآلة الكمية لا تزال تظهر فجوة مقارنة بالمحاكاة الكلاسيكية المثالية. لم تكن هذه الفجوة بسبب فشل في طريقة التدريب، بل بسبب القيود المتأصلة في المعالج الكمي الفيزيائي، الذي يواجه صعوبة في قياس النتائج بدقة تامة. وأشار الباحثون إلى أن هذه الطريقة ليست حلاً سحرياً يحل كل المشكلات فوراً، بل هي أداة عملية تجعل التدريب ممكناً في مقاييس كانت مستحيلة سابقاً.
يشير العمل إلى مسار جديد للمجال، حيث لا يعود الحاسوب الكمي هو محرك عملية التعلم، بل المرحلة النهائية للتنفيذ. ومن خلال نقل العمل المكثف للتحسين إلى الآلات الكلاسيكية، يمكن للعلماء التوسع إلى أنظمة تضم مئات الكيوبتات دون أن يعيقهم بطء وهشاشة الأجهزة الحالية. ويقر الباحثون بأن هناك المزيد من العمل الذي يتعين القيام به، لا سيما في تحسين دالات الخسارة المستخدمة للنماذج التوليدية وفي مراعاة أنواع الضجيج المحددة الموجودة في الأجهزة الحقيقية. ومع ذلك، فإن العرض التجريبي على 64 كيوبت يعد بمثابة إثبات قوي للمفهوم؛ فهو يوضح أنه من خلال التفكير بشكل مختلف حول كيفية تدريب هذه الدوائر، يمكننا جسر الفجوة بين الإمكانات النظرية لتعلم الآلة الكمي والواقع العملي لتكنولوجيا اليوم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.